- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 555506 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172025
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 18
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
向量分组聚集计算技术研究 $ f- p' z% @2 I8 l1 t7 C
( ^7 {+ a# F" N3 w4 T+ {! c' L
) p. H$ b4 {) g8 K( p
分组聚集计算是 OLAP 重要的操作符之一,分组聚集操作是一种数据密集型负载.在内存数据库和
' Z2 `+ i6 E T" b0 T [GPU 数据库应用场景下不仅需要研究其性能优化技术,还需要研究如何优化分配分组聚集计算执行场地以最: m( ~& {. m0 N, l9 K+ n8 T
小化 CPU 与 GPU 之间的数据传输代价.针对异构计算平台的硬件特征提出了向量聚集计算技术,将位于传统
6 C0 U1 a6 G5 [4 f$ P z( J+ D流水线末端的分组聚集计算按照“早分组,晚聚集”策略进行分解与下推,实现将数据密集型的分组聚集计算从
4 f# ~! Y2 q: Q8 Q9 M1 {" C9 D流水线中分离,将操作与处理器计算特性优化匹配,实现异构计算平台上最优的负载分配.通过将传统基于哈希 H3 [: I' d+ d! Z8 W
分组的聚集计算转换为向量分组聚集计算,显著提升了分组聚集计算性能.实验结果表明,向量分组聚集技术相
# Q) Y, p( M$ i: z6 Z对于具有代表性的高性能内存数据库 Hyper、GPU 数据库 MapD 最大达到 5-8 倍的性能提升.向量聚集计算不
/ _ V1 a' n# K; J0 ]: n仅提高了 OLAP 聚集计算性能,而且实现了将数据密集型负载从查询计划中分离的目标,使异构计算平台能够' z( C3 p( U Y, t5 Q
根据处理器的硬件特性优化配置计算资源,提高异构计算平台 OLAP 的整体性能
; b# p- t, q5 K& X& G& @* W; T2 H% ?7 M8 A0 f
2 T5 f1 H, o$ `7 H" b* G& H1 \6 t6 t) _
0 |9 q0 M. i( o- W3 ~4 D; x
; }6 [* a0 g, l- {% J/ N
|
zan
|