El artículo parte de una observación: los modelos de recomendación consumen historiales de usuario cada vez más largos y con más atributos. Eso crea una asimetría de almacenamiento, con actualizaciones pequeñas y continuas por un lado y lecturas grandes y repetidas por otro.
USDB es la solución de ByteDance, descrita como su práctica unificada de almacenamiento de secuencias para cargas de streaming y por lotes. Se apoya en cuatro piezas: compactación basada en tiempo con CascadeLSM, que materializa en etapas historiales específicos de cada aplicación; réplicas diferenciadas que comparten ficheros persistentes; volcados parciales (partial dumps), que reconstruyen las entradas de inferencia a partir del estado reciente capturado y del historial versionado; y un formato columnar híbrido que acelera las lecturas con proyección. Según los autores, estos diseños permiten reutilizar los resultados del mantenimiento en la ingesta, la inferencia y el entrenamiento.
En los resultados, los registros de migración a producción muestran un 85,8 % menos de latencia media de escritura, y la contabilidad normalizada de despliegue, un 42,1 % menos de coste de infraestructura. Frente a una línea base de RocksDB optimizado para secuencias, las comparaciones controladas muestran lecturas más rápidas de historiales largos con distintas proyecciones y cargas de clientes. El aggregation pushdown alcanza 8,5 veces el rendimiento de las lecturas ordinarias con un presupuesto de recepción limitado.
El trabajo, de 17 páginas, 18 figuras y 5 tablas, está en arXiv en la categoría de bases de datos (cs.DB) y lo firman catorce autores.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.