2026 年 6 月，复旦大学数据分析与安全实验室（DASLab）主任王晓阳教授，与博士生张思源、硕士生陈思帆一起前往印度班加罗尔，出席数据库领域顶会ACM SIGMOD/PODS 2026。会上，张思源、陈思帆分别汇报自身研究，王晓阳教授宣讲了硕士生刘子慷为第一作者的论文，集中展示实验室在数据库前沿方向的多项创新突破。
博士生张思源的论文题目为《DRPQ: Distributed Evaluation of Regular Path Queries On Streaming Graphs》（作者：张思源, 张凯, 何震瀛, 荆一楠, 赵志刚, 王晓阳）。该研究聚焦于在线分析应用中的关键问题，即在面对高负载数据流时，如何将流图上的持久正则路径查询（RPQ）高效扩展到多个工作节点上进行分布式评估 。当前主流的分布式解决方案主要针对通用流图查询设计，在进行流式RPQ评估时存在多处性能瓶颈，难以在限制额外开销的同时确保系统计算能力随节点数量增加而有效加速 。为此，研究团队提出了DRPQ分布式处理策略，通过将查询巧妙地划分为多个可独立并行的“部分匹配查询任务”（PMQT）来执行 。DRPQ不仅能够动态分发这些任务以平衡各节点的计算负载 ，还创新性地提出了一种基于特征向量化的启发式分组方法，通过识别极有可能共享遍历评估过程的查询任务并将其分配至同一节点，从而大幅减少了节点间的冗余计算 。在两个真实世界图数据集上的广泛实验结果表明，DRPQ在效率和可扩展性方面显著优于现有的分布式解决方案 。此外，团队提出的分组策略被证明极其有效，在大多数场景下成功将系统吞吐量提升了近一倍。
硕士生陈思帆宣讲的论文题为《RIB: Robust Learning-based Index Benefit Estimation》（作者：陈思帆、吴琛宁、荆一楠、吴文涛、何震瀛、张凯、王晓阳）。该研究聚焦于数据库自动索引调优中的关键问题，即如何准确、稳健地估计候选索引对查询性能的收益。现有基于优化器假设代价的估计方法容易受到基数估计误差等因素影响，而学习型方法虽然能够利用历史查询执行数据提升精度，但训练数据中常含有噪声或冲突标签，影响模型稳健性。为此，研究团队提出了RIB框架，一种面向索引收益估计的健壮学习型方法。RIB针对两类关键噪声设计对应机制：通过基于双向图神经网络（Bi-GNN）的上下文感知计划编码器，捕获索引对整体查询计划结构的影响，缓解由计划表示不足导致的认知噪声；通过基于全参数化分位数回归（FPQR）的分布感知预测模型，对索引收益分布进行建模，降低运行时波动带来的偶然噪声影响。实验结果表明，RIB在多个标准基准测试上均优于现有代表性方法，在索引收益估计精度、极端误差控制和端到端索引推荐质量方面表现出更强稳健性。
王晓阳教授宣讲的论文题目为《LiveBin: A Localized and Version-Aware Binned Scan Index》（作者：刘子慷、李林蔚、叶飞、何震瀛、荆一楠、何文、段慧超、郑礼雄、王晓阳）。该研究聚焦主存分析型数据库扫描优化问题，针对传统分箱扫描索引存在的两大性能缺陷：精修阶段随机内存访问开销大、MVCC多版本场景下可见性校验成本过高，导致索引加速效果受限的问题开展研究。为此，研究团队提出全新的局部化、版本感知分箱扫描索引LiveBin。该方法通过索引局部化分片策略，优化内存访问局部性，有效降低单次精修操作的开销；同时引入层次化版本管理结构，将草稿-精修范式拓展至版本可见性校验，大幅减少版本遍历的冗余开销。实验结果显示，同等内存资源下，LiveBin相较现有最优方案扫描性能提升2.2至2.6倍。将其集成至DuckDB系统后，可使TPC-H Q6与SSB Q1查询的端到端性能提升2.4至5.0倍，具备优异的优化效果与工程落地价值。
SIGMOD/PODS 为数据库国际顶会，本次复旦DASLab三篇成果完成现场宣讲，覆盖流图计算、智能索引、内存索引三大方向，彰显团队科研实力。参会期间团队与海内外学者深度交流，输出国内原创数据库技术，提升学科国际影响力。实验室后续将持续深耕数据库核心技术，助力国产数据库创新发展。