.png){kind=icon}
返回
Hardware-Efficient Data Imputation through DBMS Extensibility
.png){kind=icon}
PRE
AI
DOI：10.14778/3681954.3682016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据与代码/查询的分离在过去的几十年中为数据管理系统（DBMSs）提供了良好的支持。然而，尽管由此产生的正确性和刚性是许多面向性能的优化的基础，但它缺乏有效支持现代数据科学应用的灵活性：如数据清洗、数据摄取/增强或生成模型。为了在不牺牲性能的情况下支持此类应用，我们提出了一种新的逻辑数据模型，称为Homoiconic Collection Processing（HCP）。HCP基于一个著名的元编程概念，称为Homoiconicity（代码和数据的统一表示）。在DBMS中，HCP支持经典关系数据的存储，但也允许存储和评估我们称之为Homoiconic Expressions的代码片段。Homoiconic Expressions使得数据插补等应用能够直接在数据库内核中实现。如果简单实现，这种灵活性在性能上会带来高昂的代价。为了使HCP在性能上与高度优化的内存数据库管理系统（DBMSs）竞争，我们开发了一种新的存储和处理模型，称为Shape-Wise Micro-batching（SWM），并在一个名为BOSS的系统中实现了它。BOSS在提供前所未有的可扩展性的同时，其性能可与高性能DBMSs相媲美。为了展示其可扩展性，我们实现了一个针对插补和查询工作负载的扩展：BOSS的性能比现有的最佳homoiconic运行时和数据插补系统高出2到5个数量级。
Keyword:
OPTIMIZATION
QUERIES
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容