OSDI 2026

OSDI 2026 的 136 篇论文围绕一个共同问题展开：当硬件、工作负载和部署规模继续异构化，系统如何把原本隐含的资源、状态与正确性边界变成可测量、可调度、可恢复的对象。

概览

本届论文的主线不是单一硬件热点，而是“把跨层代价显式化”。kSTEP 控制内核事件与拓扑以重现调度器缺陷；Blink 直接在函数边界读取 PMU，修正短函数采样失真的诊断；Xkernel 则把内核性能常量变成运行时可调整的机器状态。三者分别处理可复现性、观测精度和调优闭环，说明性能工程正在从“采样后猜测”转向“控制实验条件后测量”。

另一条主线是数据移动。OBASE 将冷热对象而非整页作为迁移单位，VTC 消除只改变布局的中间张量搬运，DirectKV 直接让 GPU 读取 pinned CPU memory，ECHO 则围绕稀疏注意力的 KV cache 做无损预取。它们的收益都依赖更细的布局或访问语义，但适用边界不同：OBASE 受指针结构限制，DirectKV 依赖 GH200，ECHO 的预取本身只贡献最高 4% 的端到端收益。

AI 系统论文普遍把阶段不均衡和资源异构当作一等问题。EcoServe 在商用 GPU 集群中折中 prefill/decode 解耦，DynaRL 按动态超图迁移 RL worker，WEAVE 用另一作业的活跃阶段填补 RL 后训练空闲，Tessera 则在 4,096–12,288 GPU 的 MoE 训练中动态填充流水线气泡。共同证据是固定资源切分会浪费计算，但在线适应的迁移、同步和 SLO 成本必须单独测量。

系统边界也在向运维和正确性扩展。Chen-DataPipelines 使用 30,000 个生产训练 trace 定位数据管线停顿，PIMS 将维护、故障域和容量缓冲放进统一契约，AEGIS 从 3.5×10^7 GPU-hours 中检测 SDC，SDCHUNTER 用确定性训练回放定位生产 GPU 缺陷。相比只报告单机吞吐，这些工作把“能否长期运行”作为系统结果的一部分。

论文分类

计算、编译与 AI 执行（37 篇）

包括 ROLLART、MPK、GraCE、VTC、Tessera、Kairox、Cocoon、HetuV2、TileLoom、ADAngel、ECHO、DirectKV、Syncopate、SANI、Twill、qTPU、DrsNAS、Wang-MoEInference、Kareus、WEAVE、Strata、SERENO、BatchGen、Nixie、Rakaia、RLinf、Prism、Soul、LMETRIC、POEGA、FlowANN 等论文。它们分别从编译、调度、缓存、通信和能耗切入，不能用单一吞吐数字横向排序。

研究趋势

把隐含资源变成显式状态。 DeLFS 将全局日志资源拆到核，SBB 将 timer/NIC 通知按核分配，vBPF 将 eBPF 事件归属到资源命名空间。它们都以减少中心化共享为代价换取扩展性；需要继续测量跨核负载不均衡和状态维护成本。
把慢路径移出关键路径。 CoPilotIO 让 CPU 轮询完成队列，umap 把 DFS 映射和缓存控制放在用户态，libDSE 允许持久化前继续传递消息。三者的共同限制是慢路径并未消失，只是转移到 CPU、恢复或一致性边界。
在线适应取代静态切分，但适应本身成为新成本。 DynaRL、RLinf 和 WEAVE 把资源随阶段变化重新分配；Prism 和 EcoServe 在推理服务中处理模型与请求变化。比较这些路线必须统一迁移时间、SLO 违约和资源碎片指标。
生产证据成为设计的一部分。 Li-ClusterHeterogeneity、Chen-DataPipelines、PIMS 和 DiTing 使用长期 trace 或生产部署，但生产规模不自动保证因果归因，仍需对照组和回滚数据。

设计空间矩阵

论文	工作负载	主要瓶颈	核心机制	资源/平台	SLO 或正确性边界	证据规模
DeLFS	manycore 随机写	全局锁与日志元数据	按核拆分资源与锁	128 核、NVMe	文件系统一致性	单机基准
DINGO	HDD 维护任务	寻道与带宽	声明候选集合、期限与缓存	HDFS、HDD trace	维护期限	六家服务商 trace
OBASE	YCSB 对象数据结构	冷热对象混页	对象级迁移	DRAM 与分页后端	C++ 指针限制	YCSB
kSTEP	Linux 调度器缺陷	状态与事件不可控	隔离 CPU、重置调度状态	Linux、隔离 CPU	缺陷可重现	7 个真实、4 个新缺陷
PeeR	eBPF Redis/Memcached/TPC-C	不可抢占软中断	continuation 与预算检查	CPU、sched_ext	P99 延迟	247 ns 恢复开销
Chen-DataPipelines	大模型生产训练	checkpoint、启动和 CPU 变换	预测复制与存储侧变换	30,000 条 trace	训练停顿	生产 trace
EcoServe	LLM prefill/decode	KV cache 传输与阶段干扰	PaDG 与滚动激活	L20、PCIe、10 Gbps	goodput/SLO	集群实验
ROLLART	agentic RL	异构阶段与同步	分离资源池、异步轨迹	Qwen3、多 GPU	time-to-score	8B–32B 模型
VTC	DNN 推理	中间张量搬运	虚拟张量索引映射	A100/H100	推理正确性	模型基准
DynaRL	agentic RL	rollout 长尾	动态超图与迁移 worker	GPU 集群	在线调度开销 <1%	数学/agentic RL
Strata	长上下文 LLM	KV cache I/O	GPU-assisted I/O 与缓存调度	GPU/CPU/SSD	短上下文性能	LooGLE 等负载
SDCHUNTER	生产 LLM 训练	SDC 不确定性	确定性训练回放	GPU 集群	恢复阻塞 <1 小时	40 起事件

共同观察

共享状态会在规模上变成主瓶颈。 DeLFS、SBB 和 Xkernel 分别从文件系统、网络运行时和内核调优验证了中心化状态的扩展代价；但拆分状态会引入复制、迁移或一致性维护。
数据移动收益依赖访问语义，而非单纯增加带宽。 OBASE、VTC 和 ECHO 都利用访问或布局结构减少搬运；非仿射访问、动态图变化和预取误判会削弱收益。
生产 workload 的长尾会改变最优资源配置。 Chen-DataPipelines、DynaRL、Li-ClusterHeterogeneity 和 WEAVE 都显示平均利用率不足以解释停顿或浪费，阶段、拓扑和故障状态必须进入调度。

互相冲突的假设

Tessera 在超大规模训练中依赖 profiling 与运行时动态填充，而 TileLoom 依赖可静态描述的拓扑、仿射访问和 buffer 生命周期。需要在动态路由和共享设备干扰下测量两者的模型误差与调度开销。
EcoServe 通过跨实例滚动激活折中阶段隔离，Hwang-PipelineParallelism 则在单服务流水线中用在线预测减少气泡。前者的关键限制是 KV 传输，后者的关键限制是阶段失衡；统一比较应固定网络带宽并报告 P99 TTFT、TPOT 和 goodput。
TimelockDrive 把安全边界下沉到物理块检查器，USEC 把策略边界交给部署者声明的资源。前者牺牲恢复便利性，后者牺牲完整声明时的安全覆盖；需要故障恢复和遗漏资源的端到端测试。

值得关注的方向

动态资源模型的可迁移校准：结合 Li-ClusterHeterogeneity、PowerSight 和 DVLA 的生产观察，用小规模 trace 重建跨硬件的容量、带宽和功率模型，验证模型漂移下的调度稳定性。
面向尾延迟的跨层数据移动预算：把 LiteSwitch、DirectKV、Strata 的 CPU、CXL、NVLink 和 SSD 路径放入同一 microbenchmark，测量带宽、并发度和恢复成本的边界。
可审计的动态系统调度：组合 kSTEP 的可重现事件控制、DiTing 的分布式观测和 OpGuard 的差异定位，构造能回放一次 SLO 违约的最小 trace，并验证调度决策是否可解释。

Awesome System Papers Wiki

探索

OSDI-2026

OSDI 2026

概览

论文分类

计算、编译与 AI 执行（37 篇）

内存、存储与数据路径（31 篇）

操作系统、网络与虚拟化（30 篇）

安全、正确性、测试与运维（38 篇）

研究趋势

设计空间矩阵

共同观察

互相冲突的假设

值得关注的方向

论文索引补充

关系图谱

目录

反向链接