前言

進入數字經濟時代，數據已成為新的核心生產要素，其重要戰略資源地位日益凸顯，數據潛能的有效激發取決于數據的存儲與分析處理.隨著先進計算以計算為核心逐步向以數據為中心的不斷演進，高效安全存儲和智能數據分析成為學術界和產業界廣泛關注的焦點.

基于上述背景，為促進存儲領域的技術交流，《計算機研究與發展》推出了本期“面向數字經濟的智能存儲與數據分析”專題.本期專題收錄了5 篇論文，分別展示了智能存儲和數據分析等研究熱點的研究現狀和最新研究成果，希望能為從事相關工作的讀者提供借鑒和幫助.

王紫芮等作者的論文“基于超低延遲SSD 的頁交換機制關鍵技術”針對現有頁交換機制發送請求時存在隊頭阻塞問題、I/O 合并和調度開銷，以及內核返回路徑上的中斷處理和直接內存回收開銷等性能瓶頸，研究提出了基于超低延遲SSD 的頁交換機制，在Linux I/O 棧的基礎上增加對輪詢請求的處理，降低I/O 合并與調度開銷，實現輕量級的I/O 棧.進一步優化內核頁交換機制的換入與換出路徑，通過優化對缺頁、直接內存回收的處理，降低頁交換機制關鍵路徑上的時間開銷.

張凱鑫等作者的論文“面向存算聯調的跨云糾刪碼自適應數據訪問方法”針對跨云存算聯調對跨云數據訪問效率的要求，構建了跨云存儲系統框架，研究提出了一種面向存算聯調的跨云糾刪碼自適應數據訪問方法，以編碼塊與數據訪問節點的分布為依據評估數據訪問過程中各編碼塊的傳輸速度，并據此制定可避免訪問低傳輸速度編碼塊的編碼數據訪問方案.通過識別編碼數據訪問方案時易選中且實際傳輸速度較低的編碼塊，將其緩存在數據訪問節點附近，從而同時提高了緩存命中量和命中增效.

謝旻暉等作者的論文“基于GPU 直訪存儲架構的推薦模型預估系統”針對現有推薦模型預估系統存在CPU-GPU 通信開銷大和額外內存拷貝等問題，研究提出了一種基于GPU 直訪存儲架構的推薦模型預估系統，通過在嵌入參數的訪問路徑上移除CPU 參與，由GPU 通過零拷貝的方式高效直訪內外存資源，并利用GPU 的并行性縮短提交I/O 請求的時間，顯著提升模型預估的吞吐量，同時降低預估延遲.

方浩天等作者的論文“一種基于深度學習的微服務性能異常檢測方法”針對微服務之間的復雜交互特點，研究提出了一種基于Transformer 的微服務性能異常檢測與根因定位方法TTEDA，將調用鏈構建為微服務調用序列和對應的響應時間序列，借助自注意力機制捕捉微服務之間的調用關系，通過編碼器-解碼器建立微服務的響應時間與其調用路徑之間的關聯關系，從而獲得微服務在不同的調用鏈上的正常響應時間分布，基于學習到的正常模式判斷調用鏈的異常.利用微服務之間的調用關系以及異常的傳播方式，對出現性能異常的微服務進行反向拓撲排序，實現根因定位.

劉帥等作者的論文“時序數據庫關鍵技術綜述”研究分析了時間序列數據爆炸式的增長給數據庫管理系統帶來的技術挑戰，對時間序列索引優化、內存數據組織、高吞吐量數據攝取、低延遲數據查詢和海量歷史數據低成本存儲等時序數據庫關鍵技術的最新發展進行了分析總結，討論了時序數據庫評測基準，并對未來發展趨勢進行了展望.

本專題所錄用的5 篇論文中，既有關注存儲系統的性能優化，又有關注數據分析的算法優化.由于稿源豐富和專題篇幅有限等原因，本專題無法全面覆蓋存儲領域各方面的最新研究進展，不當之處請同行學者批評指正！感謝各位作者、審稿專家和編輯部的全力支持和辛勤付出！