USDB es la práctica de almacenamiento unificada de ByteDance diseñada para resolver las limitaciones de rendimiento en los sistemas de recomendación de próxima generación. El sistema aborda la asimetría de almacenamiento causada por la necesidad de actualizaciones continuas pequeñas y lecturas masivas repetidas en los historiales de usuarios. La arquitectura se basa en un sistema de compresión por cascada (CascadeLSM) que materializa historiales específicos de la aplicación, permitiendo que réplicas diferenciadas compartan archivos persistentes. Además, utiliza copias parciales para reconstruir entradas de inferencia a partir del estado reciente capturado y la historia versionada, mientras que un formato híbrido de columnas acelera las lecturas proyectadas.
El diseño de USDB permite reutilizar los resultados de mantenimiento entre la ingesta de datos, la inferencia y el entrenamiento. Las métricas de producción muestran una reducción del 85,8% en la latencia media de escritura y un 42,1% menor en el costo de infraestructura normalizado en comparación con la implementación anterior. En pruebas comparativas con una línea base de RocksDB optimizada para secuencias, USDB demuestra lecturas más rápidas en historiales largos, proyecciones y cargas de clientes. La función de empuje de agregación (aggregation pushdown) soporta un 8,5 veces más rendimiento que las lecturas ordinarias bajo un presupuesto de recepción limitado. La reconstrucción controlada y el entrenamiento directo desde archivos demuestran cómo el mantenimiento compartido de secuencias soporta el servicio fresco y el acceso repetido a datos históricos, optimizando la escalabilidad de la infraestructura de recomendación.