班加罗尔SIGMOD-26 数据所论文简要介绍SIGMOD是数据库领域的顶尖学术会议，由中国计算机学会（CCF）推荐为A类会议。第52届SIGMOD年会于2026年5月31日在印度班加罗尔召开，汇聚全球顶尖学者与业界专家，共同探讨数据科学的最新前沿。
以下是北大数据所SIGMOD 2026论文的简要介绍：
[1]. Hydraulis：通过协同设计并行策略与数据分配实现大模型训练负载均衡
论文名：Hydraulis: Balancing Large Transformer Model Training via Co-designing Parallel Strategies and Data Assignment
在大规模Transformer模型训练中，输入序列往往存在显著的长度差异。目前，主流的训练系统通常采用两类方法：一方面，并行策略上采用静态、同构的配置，即所有训练流水线在整个训练过程中都保持相同的并行度组合；另一方面，数据管理上使用固定长度packing，即先设定一个最大序列长度，再将不同长度的原始序列packing成不超过该阈值的长序列，并平均分配到各设备上。这种“静态同构并行+最大长度packing”的组合在实现上简洁，但却存在迭代内与迭代间采样不均、流水线内与流水线间packing不均这些负载不均现象。
核心创新：
1. 动态异构并行策略：针对采样不均衡，Hydraulis支持在不同迭代动态选择合适的并行策略；在同一迭代内，不同流水线可采用异构并行配置（如tensor/pipeline/context parallel度数不同），使长短序列各自匹配最优方案，从而同时缓解intra-iteration与inter-iteration的不均衡。
2. 优化—传播解耦与子图机制：Hydraulis 通过将传播阶段（前向/反向计算）与优化阶段（梯度同步与更新）解耦，保持优化阶段的参数分片固定不变，同时允许传播阶段灵活切换异构并行配置。为进一步解决两者之间的异构通信问题，我们引入了 pull（拉取参数）和 push（同步梯度）操作。基于子图抽象，我们进一步统一表达了不同并行策略下的通信模式，实现了异构并行策略之间的无缝切换。
3. 两阶段序列分配：针对packing不均衡，Hydraulis先在流水线间分配原始序列以保证负载均衡（解决inter-pipeline imbalance），再在流水线内部通过基于整数线性规划的优化方法进行packing，使不同微批次的执行时间更加接近（解决intra-pipeline imbalance）。
4. 数据分布感知的策略候选生成：结合数据集的全局序列长度分布，Hydraulis使用动态规划生成一组高质量的候选策略，训练时快速评估与选择，避免了迭代中穷举搜索的开销。
实验效果： 在LLaMA2 7B、13B和32B模型上，以CommonCrawl和GitHub两个大规模数据集为基准，我们在64张Nvidia A800 GPU的集群中开展实验。结果显示，Hydraulis相较于Megatron-LM、DeepSpeed和HotSPa，在端到端性能上提升1.32–2.66倍。进一步实验表明，在 GPU 数量扩展、最大序列长度增大和batch size调整等不同条件下，Hydraulis均展现出良好的扩展性和稳定性。
该论文作者包含李昊洋（北京大学，导师为崔斌教授）、符芳诚（上海交通大学，通讯作者）、林晟（北京大学）、葛浩（北京大学）、王煊宇（北京大学）、牛佳文（北京大学）、薛金宝（腾讯）、陶阳禹（腾讯）、王迪（腾讯）、蒋杰（腾讯）、崔斌（北京大学，通讯作者）
参会照片：
|
|
|
|
|
|
[2]. SSCard：面向子串查询优化的误差有界基数估计方法
论文名：SSCard: Substring Cardinality Estimation using Suffix Tree-Guided Learned FM-Index
在数据库查询优化中，基数估计直接影响执行计划的选择。对于 SQL LIKE '%pattern%' 这类子串查询，现有传统方法往往依赖独立性假设，面对长模式或复杂文本分布时误差较大；学习型方法虽然具备建模能力，但通常缺乏明确误差界，可能导致不稳定的估计结果。
为此，本文提出 SSCard，一个面向子串查询的基数估计器。SSCard 将 FM-Index 扩展到数据库多字符串场景，并结合剪枝后缀树和误差有界的学习表示，在准确性、空间效率和稳定性之间取得平衡。
核心创新：
- 多字符串 FM-Index 扩展：针对数据库文本列由大量不同长度字符串组成的特点，SSCard 设计了适用于多字符串集合的 BWT 构造方式，使 FM-Index 能够自然支持数据库子串查询。
- 剪枝后缀树引导的索引组织：SSCard 使用剪枝后缀树组织索引结构，既能对短模式提供精确估计，又能为长模式估计提供高效的层次化结构。
- Pushup 空间压缩机制：针对大字符集和偏斜字符分布下的空间开销问题，SSCard 将低频字符信息向高层节点合并，减少重复存储，提高索引压缩效率。
- 误差有界的学习表示：SSCard 使用样条插值表示 FM-Index 中的 Rank 信息，并引入显式误差界，使估计结果比普通学习型方法更加稳定、可控。
- 双向估计与增量更新：SSCard 结合后缀树的精确匹配能力和 FM-Index 的任意长度模式支持能力，实现高效子串基数估计，并支持数据动态更新。
实验效果：在 5 个真实数据集上，SSCard 优于传统方法和近期学习型方法。相比第二优方法，SSCard 平均 q-error 降低约 20%，最大 q-error 降低约 80%，构建时间降低约 50%。
该论文作者包含詹宜瑞（北京大学，导师为高军教授）、聂文（华为技术有限公司）、高军（北京大学，通讯作者）。
论文名：Divo: Learning a Stable and Effective Query Optimizer with a Diverse Workload
在数据库查询优化领域，基于学习的查询优化器（LQO）近年来展现出超越传统方法的潜力，然而在面对多样化查询负载时，现有 LQO 普遍出现严重的性能退化，难以在真实场景中稳定部署。为此，本文提出 Divo，一个面向多样化负载、兼顾稳定性和高效性的学习型查询优化器，通过查询生成、训练策略与损失函数三个层面的协同设计，系统性地解决了 LQO 在多样化负载下的性能瓶颈。
核心创新：
1. 模板演化式查询生成器：在保留真实负载连接关系的前提下系统性地演化出新的模板结构，配合加权采样策略确保生成查询的多样性与保真度，为模型提供充分且多样的训练数据。
2. 基于静态经验的两阶段训练框架：提出先收集后训练的两阶段范式。第一阶段从多样化查询中预先收集完整执行计划形成"静态经验池"，避免知识过时导致性能污染；第二阶段通过参数共享架构将静态经验用于增强训练，一次收集即可适配多种训练配置。
3. 多样性感知的概率分布损失函数：以 KL 散度损失补充传统 MSE 损失，将延迟预测转化为对延迟概率分布的预测任务，通过类别标签消除延迟量级差异导致的拟合问题，并以概率分布自然容忍不一致的真实延迟标签，显著提升 RL 训练的稳定性。
实验效果： 在涵盖 JOB、DSB、Extended JOB、Stack 及生成查询的混合负载上，采用训练/测试模板完全不重叠的挑战性划分，Divo 相对 PostgreSQL 实现了 1.3× 的总执行延迟加速，平均优于六种现有 LQO 达 14.9 倍。在动态负载切换等更复杂场景下，Divo 同样展现出稳定的性能优势。
该论文作者包含陈天异（北京大学，导师为高军教授）、高军（北京大学，通讯作者），屠要峰（中兴通讯，通讯作者）林阳 （中兴通讯） 徐墨 （中兴通讯）韩银俊 （中兴通讯）