课题背景：课题背景： 在海量数据存储场景下，业务访问模式复杂多变，热点数据分布不均导致性能抖动和资源浪费。当前存储系统主要依赖被动响应策略，缺乏对业务特征的主动感知和预判能力，难以在热点发生前进行有效干预，亟需引入智能化手段实现从被动应对到主动优化的转变。 课题挑战： 1. 业务特征自动提取与演化追踪：需要从海量多维度线上访问数据中提炼与时间点无关的业务行为规律，并建立特征漂移检测机制以识别业务模式的渐变与突变； 2. 热点预测的准确性与实时性：需构建兼顾准确率与低延迟的趋势预测模型，同时应对访问模式突变等非平稳场景； 3. 主动优化策略的安全性：数据打散、预热等主动干预操作本身消耗系统资源并引入搬迁风险，需确保优化动作不会反向加剧负载； 4. 特征驱动的单机引擎策略适配：不同业务访问特征差异显著，需建立特征到引擎策略参数的自动映射与动态调优机制。 具体工作： 1. 业务特征自动建模：从线上多维度访问日志中提取业务行为特征，构建用户级业务画像，并建立特征漂移检测机制以持续追踪业务模式变化； 2. 热点预测与主动优化：基于业务画像与短期访问趋势，构建热点预测模型，驱动数据打散、资源均衡与数据预热等主动干预，同时通过代价评估与熔断机制保障优化操作的安全性； 3. 单机引擎策略优化：基于业务长期稳定的访问特征，建立特征到引擎策略参数的自动映射，实现缓存、Compaction等关键策略的动态调优。

课题要求：1. 计算机、软件工程、信息工程、人工智能、电子工程、应用数学等相关专业，博士及优秀硕士学历； 2. 在软件工程领域具备优秀科研能力，有FAST、SOSP、OSDI、ASPLOS、VLDB、EuroSys等国际顶级学术会议或期刊论文发表者优先； 3. 熟悉分布式存储相关技术，具备存储前沿技术研究如软硬协同、智能存储等方向背景者优先。