AI+DB：人工智能赋能数据库系统

发布时间： July 09, 2026

研究愿景

人工智能的发展正在深刻改变数据管理与计算模式。我们的研究聚焦于人工智能与数据库系统（AI+DB）的深度融合，探索人工智能赋能数据库系统（AI4DB）以及数据库系统支撑人工智能应用（DB4AI）的关键理论与核心技术，构建更加智能、高效、自主的新一代数据库系统，为大模型、知识增强、智能决策等新型人工智能应用提供高性能的数据管理基础设施。

项目支持

国家重点研发计划课题：高效融合的多模数据处理模型与优化
国家自然科学基金重点项目：支持技术创新的海量数据管理基础理论与关键技术
国家重点研发计划课题：面向高端制造领域的大数据管理系统

研究方向

AI4DB：人工智能赋能数据库系统

智能查询优化（Intelligent Query Optimization）

围绕真实数据库系统中的查询优化问题，研究基于机器学习和大语言模型的智能查询优化技术，包括学习型查询优化、执行计划重用（Plan Reuse）、学习排序（Learning to Rank）、基数估计（Cardinality Estimation）、代价模型（Cost Model）以及执行计划搜索（Plan Enumeration）等关键技术，提升数据库优化器在复杂负载下的优化质量与执行效率。

代表性成果包括：

Practical Parameterized Query Optimization via Efficient Plan Reuse and List-wise Ranking（SIGMOD, 2026）
LEARNT: A Practical Estimator for Cardinality of LIKE Queries with Formal Accuracy Guarantees (arXiv, 2026)
基于最小化AES的鲁棒计划选择方法.《小型微型计算机系统》2026年4期
MSP: Learned Query Performance Prediction Using MetaInfo and Structure of Plans (APWeb/WAIM, 2022)
A Survey on Advancing the DBMS Query Optimizer: Cardinality Estimation, Cost Model, and Plan Enumeration（Data Science and Engineering, 2021）

学习增强型数据库系统（Learning-enhanced Database Systems）

探索机器学习和深度强化学习在数据库内核中的应用，包括智能索引推荐、自适应数据库优化、自主调优以及数据库性能预测等关键问题，提高数据库系统的自治能力和智能化水平。

代表性成果包括：

数据库索引调优技术综述.《计算机研究与发展》2024年4期
An Index Advisor Using Deep Reinforcement Learning（CIKM 2020）
Learning an Index Advisor with Deep Reinforcement Learning（APWeb-WAIM 2021）
面向自动参数调优的动态负载匹配方法.《计算机应用》2021年3期

AI驱动的数据库测试与诊断（AI-driven Database Testing）

探索利用大语言模型与智能代理技术开展数据库自动测试、缺陷诊断和故障分析，提高复杂数据库系统逻辑错误的发现能力，为下一代自治数据库提供智能测试与智能诊断技术支撑。

目前重点研究方向包括：

LLM辅助数据库测试
数据库逻辑错误自动发现
AI驱动的数据库故障定位
自治数据库测试框架

DB4AI：数据库系统支撑人工智能应用

多模数据管理（Multi-model Data Management）

针对大模型时代复杂数据管理需求，研究统一多模数据库系统中的数据融合、统一查询与协同分析技术，实现关系数据、图数据、JSON文档、向量数据等异构数据的统一管理。

代表性成果：

Graph-centric Cross-model Data Integration and Analytics in a Unified Multi-model Database（arXiv）

向量数据库与相似性检索（Vector Database）

围绕生成式人工智能和检索增强生成（RAG）应用需求，研究高性能向量索引、磁盘向量索引以及大规模近似最近邻搜索技术，提高AI应用的数据检索效率。