Artigo Visão: Processamento de Banco de Dados em Memória

• Tiago R. Kepe UFPR / IFPR
• Eduardo C. Almeida UFPR
• Marco A. Z. Alves UFPR

DOI: https://doi.org/10.5753/sbbd.2019.8816

Resumo

Neste artigo, apresentamos nossa visão de como os Sistemas Gerenciadores de Bancos de Dados (SGBD) podem integrar Processamento-em- Memória (PIM) em processamento de consultas. PIM promete mitigar os problemas clássicos de “memory-wall” e “energy-wall” presentes nas arquiteturas de computadores que são amplificados pela movimentação de dados na hierarquia de memória por aplicações de análise de dados. Compartilhamos com a comunidade uma análise empírica dos prós e contras do uso de PIM em três principais operadores da álgebra relacional: seleção, projeção e junção. Com base nos resultados obtidos começamos a desenvolver um escalonador de consultas PIM-consciente que apresenta resultados promissores chegando a reduzir em 3x o tempo de execução de consultas e o consumo de energia em pelo menos 25%. Concluímos nossa visão com uma discussão sobre os desafios e oportunidades para impulsionar pesquisas na concepção de um SGBD com PIM.

Palavras-chave: Processamento em memória, escalonador de consulta, eficiência de energia

Referências

Alves, M. A. Z. and et al. (2016). Large vector extensions inside the HMC. In DATE.

Breß, S., Mohammad, S., and Schallehn, E. (2012). Self-tuning distribution of dboperations on hybrid CPU/GPU platforms. In 24th Grundlagen von Datenbanken.

Do, J., Kee, Y., Patel, J. M., Park, C., Park, K., and DeWitt, D. J. (2013). Query processing on smart ssds: opportunities and challenges. In SIGMOD. DOI: https://doi.org/10.1145/2463676.2465295

Harizopoulos, S. and et al. (2008). OLTP through the looking glass, and what we found there In SIGMOD. DOI: https://doi.org/10.1145/1376616.1376713

HMC-Consortium (2015). Hybrid Memory Cube Specification 2.1. HMC-30G-VSR PHY. DOI: https://doi.org/10.1109/VLSIT.2012.6242474

Jeddeloh, J. and Keeth, B. (2012). Hybrid memory cube new DRAM architecture increases density and performance. In VLSIT.

Karnagel, T., Habich, D., Schlegel, B., and Lehner, W. (2014). Heterogeneity-aware operator placement in column-store DBMS. Datenbank-Spektrum. DOI: https://doi.org/10.1007/s13222-014-0167-9

Kautz, W. H. (1969). Cellular logic-in-memory arrays. IEEE Trans. Computers. DOI: https://doi.org/10.1109/T-C.1969.222754

Keeton, K. and et al. (1998). A case for intelligent disks (idisks). SIGMOD Record. DOI: https://doi.org/

Kepe, T. R. (2018). Dynamic database operator scheduling for processing-in-memory. In PhD@VLDB.

Kim, J. and Kim, Y. (2014). HBM: memory solution for bandwidth-hungry processors. In 26th HCS. DOI: https://doi.org/10.1109/HOTCHIPS.2014.7478812

Mirzadeh, N., Kocberber, O., Falsafi, B., and Grot, B. (2015). Sort vs. hash join revisited for near-memory execution. In ASBD@ISCA.

Patterson, D. A. and et al. (1997). A case for intelligent RAM. IEEE Micro. DOI: https://doi.org/10.1109/40.592312

Tome, D. G. and et al. (2018). HIPE: HMC instruction predication extension applied on database processing. In DATE. DOI: https://doi.org/10.23919/DATE.2018.8342015

Tome, D. G., Kepe, T. R., Alves, M. A. Z., and de Almeida, E. C. (2018). Near-data filters: Taking another brick from the memory wall. In ADMS@VLDB.

Wang, L. and Skadron, K. (2013). Implications of the power wall: Dim cores and reconfigurable logic. IEEE Micro. DOI: https://doi.org/10.1109/MM.2013.74