본 논문은 현대 AI 파이프라인 구축의 핵심 요소인 임베딩 벡터를 저장하고 처리하는 데 사용되는 벡터 데이터베이스(VDB)의 문제점을 해결하기 위해, 디스크 기반 ANN 인덱스인 B+ANN을 제안합니다. 기존 HNSW 알고리즘의 메모리 제약, 캐시 성능 저하, 연산 가속화 제한, 유사성 쿼리 지원의 한계를 극복하고자, B+ANN은 입력 데이터를 블록으로 분할하고, B+ 트리 변형을 사용하여 블록을 메모리와 디스크에 저장하며, 하이브리드 에지 및 블록 기반 탐색을 수행합니다. 실험 결과, B+ANN은 HNSW보다 품질(Recall)과 실행 성능(QPS)을 향상시키고, 캐시 미스를 줄이며, 메모리 사용량과 디스크 기반 구축 시간을 감소시켰습니다. 또한, 유사성 쿼리뿐만 아니라 비유사성 쿼리도 지원합니다.
