字节把推荐系统的“粮仓”写成论文公开：USDB 撑起抖音、TikTok 的行为存储

作者：许棠

字节跳动 11 月 2 日在 arXiv 提交论文，首次公开支撑自家推荐系统的存储系统 USDB，称 2024 年起已部署于抖音、TikTok 和直播业务，留存 PB 级用户行为数据。论文自报写延迟降 85.8%、基础设施成本降 42.1%，但均为厂商生产数据，无第三方验证。

字节跳动 11 月 2 日在 arXiv 提交论文，公开了支撑自家推荐系统的存储系统 USDB，称 2024 年起已部署在抖音、TikTok 和直播业务上，承载数十亿用户、PB 量级的留存行为历史 。

这跟“信息流为什么秒级懂你”直接相关。论文说，模型读取的单用户行为序列从 2023 年的 50 条涨到 2025 年的 10 万条，2026 年 9 月部分代表性配置已到 80 万条。要实时捞出这么长的历史，存储层不能照旧每写一条就把整段序列读回来改一遍，那会把一次小更新放大成 SSD 瓶颈。USDB 的解法是按时间分层归档，让写入、推理、训练共用同一份数据，不必各建一套库 。

数字都是论文自己报的：迁移后平均写延迟降 85.8%，平均 CPU 利用率降 72.6%，归一化基础设施成本降 42.1%；对照优化版 RocksDB，长历史读取更快 。需要说清楚的是，这是厂商生产迁移数据，没有独立第三方测试，对照组也只有 RocksDB 一个基线 。

对用户是一得一失。得：推荐刷新更快更准，平台还省下服务器钱。失：你的历史被记得更长、盘得更实时——80 万条不是抽象数字，是每一次点击、停留和划走。论文没提开源，公开渠道也未见代码仓库，这套系统只在字节内部用，用户看不到自己的画像，更谈不上退出 。

（许棠）

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

• [S1] USDB: Scaling Storage for Next-Generation Recommender Systems at ByteDance
• [S2] USDB: Scaling Storage for Next-Generation Recommender Systems at ByteDance
• [S3] USDB: Scaling Storage for Next-Generation Recommender Systems at ByteDance
• [S4] USDB: Scaling Storage for Next-Generation Recommender Systems at ByteDance
• 配图 1：来源：daily.dev（图片署名见原文） · 图片出处
• 配图 2：来源：daily.dev（图片署名见原文） · 图片出处