.png){kind=icon}
返回
Groundhog: Accelerating Spatio-Temporal Data Analytics With Fine-Grained In-Storage Processing
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3650857.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着移动设备和应用程序的快速增长，不断产生海量的时空数据。为了处理这些数据以应用于交通预测等领域，现有的时空系统依赖于“数据移动至计算”范式。然而，这种方法在主机和存储设备之间引发显著的数据移动开销，特别是在时空查询在非优选的数据布局上执行或查询结果因固有特性而较小时尤为明显。为解决此问题，本研究引入了Groundhog，一种专门为时空查询设计的高效存储内计算技术，旨在减少不必要的数据移动和计算。Groundhog提出了三项关键设计以实现高效的存储内计算：（i）一种自包含且基于分段的存储模型，该模型轻量化，便于存储内计算，并支持对时空查询进行细粒度剪枝；（ii）一组细粒度技术，用于优化存储设备内部的时空查询处理；（iii）一种存储内计算感知的查询规划器，该规划器采用基于成本的方法，以细粒度方式卸载时空查询。我们在真实硬件上实现了Groundhog，并展示了如何应用细粒度技术加速各类时空查询。在真实世界数据集上进行的广泛实验表明，Groundhog实现了显著性能提升，与主机计算方案相比，广泛使用的时空查询的延迟降低了高达81%。
Keyword:
In-storage computing
spatio-temporal data
storage model
fine-grained processing
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
暂无论文信息