主要观点：近似最近邻搜索（ANNS）在多种应用中广泛使用，随着向量数据量不断增长，支持向量索引更新很重要，因高维性，识别单个新向量的正确邻居成本高，现有系统通过维护二级索引累积更新，定期全局重建主索引来合并更新，此方法搜索延迟和准确性波动大，资源消耗大且重建耗时。介绍 SPFresh 系统支持原地向量更新，其核心 LIRE 是轻量级增量再平衡协议，通过分割向量分区和重新分配附近分区的向量以适应数据分布变化，仅在分区边界重新分配向量实现低开销向量更新，在十亿规模向量索引且每日 1%向量更新率下，与现有技术相比，SPFresh 提供了更优的查询延迟和准确性，仅需 1%的 DRAM 和不到 10%的核心。
关键信息：作者包括 Yuming Xu 等多人；提交历史为 2024 年 10 月 18 日 v1 版本；相关论文地址为 https://arxiv.org/abs/2410.14452 等；主题为信息检索（cs.IR）；评论为 SOSP 23
重要细节：介绍了 SPFresh 系统及其核心 LIRE 的工作原理和优势，通过与现有技术对比突出其性能特点，提及了相关的 DOI 等信息。