Spelling suggestions: "subject:"datenbanksystem"" "subject:"datenbanksysteme""
151 |
Implementierung von Datenbanksystemen 1Rahm, Erhard 15 November 2018 (has links)
1. Architektur von DBS: Schichtenmodelle
2. E/A-Architekturen und Speicherhierarchien
- Speichertechnologien
- Disk-Arrays
- Nutzung nicht-flüchtiger Halbleiterspeicher
3. Speicher- und Seitenzuordnung
- Dateikonzept
- Update-in-Place
- Schattenspeicherkonzept
4. DBS-Pufferverwaltung
- Nutzung von Lokalität
- Speicherzuordnung
- Ersetzungsverfahren
|
152 |
Datenbanksysteme 2: Vorlesungsskript Sommersemester 1999Rahm, Erhard 15 November 2018 (has links)
1. Klassen und Einsatzfelder von DBS
- Anforderungen neuartiger DB-Anwendungen (CAD etc.)
- Beschränkungen des Relationemodells
- Datenmodelle: Semantische DM, Objektorientierte DBS, Objektrelationale DBS, Deduktive DBS
- Anwendungsfelder: Information-Retrieval, Multimedia-DBS, GIS, Decision Support / Data Warehouses
2. Grundkonzepte von objektorientierten DBS
- Grundlagen und Konzepte
- Struktureigenschaften
- Objektorientierte Verarbeitung
3. ODMG-Standard
- Kooperation in heterogenen Umgebungen (CORBA-Standard)
- Objektmodell
- Objektdefinition (ODL)
- Anfragesprache (OQL)
4. Beispielrealisierungen von OODBS
- NF²
- GemStone
- O2
|
153 |
Lese- und Übungsbuch Datenbanken: Die RelationsalgebraSosna, Dieter 15 November 2018 (has links)
1 Grundbegriffe des relationalen Modells - 2 Einstellige Operatoren - 3 Zweistellige Operatoren - 4 Weiter über Operatoren - 5 Anwendungsbeispiele - 6 Testaufgaben
|
154 |
Model-based Integer Compression Schemes for In-Memory Query ProcessingHildebrandt, Juliana 15 April 2024 (has links)
In-memory column-store database systems have to keep base data as well as generated intermediate results during query processing in main memory.
Moreover, base data as well as intermediate results are usually represented as integer data in this kind of database systems. Therefore, the effort to access intermediate results is equivalent to the effort to access the base data. Based on this characteristic, the optimization of intermediate results is an interesting general optimization knob and has a high impact on the performance of the query processing. In this direction, we propose the continuous use of integer compression methods for intermediate results and design a novel compression-aware query processing concept.
To minimize the overall query execution time, the best-fitting integer compression scheme has to be used. However and as shown in the literature, there is no single-best integer compression algorithm --- data and hardware characteristics as well as the optimization objectives like decompression speed or compression rate determine the properties of fitting algorithms.
To systematically tackle this challenge from a system perspective, we present our vision of a model-based approach to make a large corpus of integer compression schemes available in our compression-aware query processing concept.
Then, we describe in detail our model-based approach by (i) introducing our developed metamodel for integer compression schemes called COLLATE and by (ii) showing that a large corpus of integer compression schemes can be described as a model conforming with COLLATE. Afterwards, we introduce a concept and an implementation to automatically derive scalar compression and decompression routines out of model compression schema. Finally, we propose a novel generalized SIMD concept for integer compression algorithms called BOUNCE to adapt a scalar execution to a data parallel execution using SIMD instruction set extensions of general-purpose CPUs.:1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1. Thesis Goals and Contributions . . . . . . . . . . . . . . . . . .7
1.1.1. Model-Based Concept for Compression Schemes . . . . . . . . . . 8
1.1.2. Model-Based Generator Framework . . . . . . . . . . . . . . . .10
1.1.3. Generalized SIMD Concept for Integer Compression . . . . . . . 12
1.2. Impact of Thesis Contributions . . . . . . . . . . . . . . . . . 14
1.2.1. Publications of Thesis Contribution . . . . . . . . . . . . . .14
1.2.2. Open Source Contributions . . . . . . . . . . . . . . . . . . .17
1.2.3. Additional Contributions . . . . . . . . . . . . . . . . . . . 18
1.3. Structure of the Thesis . . . . . . . . . . . . . . . . . . . . .21
I. Model-Based Concept for Compression Schemes . . . . . . . . . . . 23
2. Compression-Aware In-Memory Query Processing . . . . . . . . . . .25
2.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1. Vision of Compression-Aware In-Memory Query Processing . . . . 26
2.1.2. System Design Challenge for Compression-Aware Processing . . . 26
2.1.3. Our Contribution and Outline . . . . . . . . . . . . . . . . . 27
2.2. System Design Overview . . . . . . . . . . . . . . . . . . . . . 28
2.3. Survey of Lightweight Data Compression Algorithms . . . . . . . .29
2.3.1. Analysis of Basic Lightweight Compression Techniques . . . . . 29
2.3.2. Analysis of Lightweight Compression Algorithms . . . . . . . . 30
2.3.3. Derived System Description and Properties . . . . . . . . . . .31
2.4. COLLATE Model . . . . . . . . . . . . . . . . . . . . . . . . . .32
2.5. Transformation of Model Instances . . . . . . . . . . . . . . . .34
2.5.1. Model Instances for Byte-oriented Encoding Algorithms . . . . .34
2.5.2. Transformation to Executable Code . . . . . . . . . . . . . . .35
2.6. Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . .38
2.6.1. Structural Aspect . . . . . . . . . . . . . . . . . . . . . . .39
2.6.2. Operational Aspect . . . . . . . . . . . . . . . . . . . . . . 39
2.6.3. Optimization Aspect . . . . . . . . . . . . . . . . . . . . . .40
2.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3. Metamodeling Lightweight Data Compression Algorithms . . . . . . .41
3.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .41
3.2. Metamodeling Lightweight Compression Algorithms . . . . . . . . .43
3.2.1. Properties of Data Compression Algorithms . . . . . . . . . . .43
3.2.2. COLLATE Metamodel . . . . . . . . . . . . . . . . . . . . . . .44
3.2.3. Interaction of COLLATE Concepts . . . . . . . . . . . . . . . .46
3.3. Application Scenarios . . . . . . . . . . . . . . . . . . . . . .46
3.3.1. Algorithms as Models . . . . . . . . . . . . . . . . . . . . . 46
3.3.2. Compression Algorithm Language CoALa . . . . . . . . . . . . . 48
3.3.3. Transformation of CoALa Code to Executable Code . . . . . . . .49
3.4. Case Studies . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
II. Model-Based Generator Framework . . . . . . . . . . . . . . . . .55
4. LCTL: Lightweight Compression Template Library . . . . . . . . . .57
4.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .57
4.2. Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . .59
4.2.1. Characteristics of Lightweight Compression . . . . . . . . . . 59
4.2.2. Metamodel COLLATE . . . . . . . . . . . . . . . . . . . . . . .60
4.3. Lightweight Compression Template Library . . . . . . . . . . . . 62
4.3.1. Template Metaprogramming for Tree Transformations . . . . . . .62
4.3.2. Lightweight Compression Template Library . . . . . . . . . . . 64
4.4. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.1. Format Space Diversity . . . . . . . . . . . . . . . . . . . . 71
4.4.2. Compile-Times . . . . . . . . . . . . . . . . . . . . . . . . .72
4.4.3. Run-Times . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.5. Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.5.1. Further Code Optimization . . . . . . . . . . . . . . . . . . .74
4.5.2. Format Selection . . . . . . . . . . . . . . . . . . . . . . . 74
4.5.3. Integration . . . . . . . . . . . . . . . . . . . . . . . . . .75
4.6. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5. Integrating Compression into Apache Arrow . . . . . . . . . . . . 77
5.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .77
5.2. Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . .79
5.2.1. Apache Arrow . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.2. Lightweight Integer Compression . . . . . . . . . . . . . . . .82
5.2.3. Lessons Learned . . . . . . . . . . . . . . . . . . . . . . . .83
5.3. ArrowComp Framework . . . . . . . . . . . . . . . . . . . . . . .83
5.3.1. Metamodel for (De)Compression . . . . . . . . . . . . . . . . .84
5.3.2. Self-Describing Columns . . . . . . . . . . . . . . . . . . . .85
5.3.3. Implementation . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.4.1. Data Sizes . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.4.2. Run Times . . . . . . . . . . . . . . . . . . . . . . . . . . .90
5.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.1. Storage-oriented Formats . . . . . . . . . . . . . . . . . . . 92
5.5.2. Processing-oriented Formats . . . . . . . . . . . . . . . . . .93
5.5.3. Apache Arrow-centric Work . . . . . . . . . . . . . . . . . . .93
5.6. Conclusion and Future Work . . . . . . . . . . . . . . . . . . . 94
III. Generalized SIMD Concept for Integer Compression . . . . . . . .95
6. Partition-Based SIMD Processing . . . . . . . . . . . . . . . . . 97
6.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .97
6.2. Gather Evaluation . . . . . . . . . . . . . . . . . . . . . . . .99
6.2.1. Evaluation Setup . . . . . . . . . . . . . . . . . . . . . . . 99
6.2.2. Evaluation Results . . . . . . . . . . . . . . . . . . . . . .101
6.3. Partition-based SIMD . . . . . . . . . . . . . . . . . . . . . .105
6.4. Application Use Cases . . . . . . . . . . . . . . . . . . . . . 106
6.4.1. Vectorized Query Processing . . . . . . . . . . . . . . . . . 107
6.4.2. Integer Compression . . . . . . . . . . . . . . . . . . . . . 109
6.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . .110
6.6. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . .111
7. BOUNCE: Memory-Efficient SIMD Compression . . . . . . . . . . . .113
7.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . 113
7.2. Analyzing State-of-the-Art . . . . . . . . . . . . . . . . . . .115
7.2.1. Bitpacking . . . . . . . . . . . . . . . . . . . . . . . . . .116
7.2.2. Simple Algorithms . . . . . . . . . . . . . . . . . . . . . . 120
7.2.3. Varint Algorithms . . . . . . . . . . . . . . . . . . . . . . 122
7.2.4. Further Compression Algorithms . . . . . . . . . . . . . . . .124
7.2.5. Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.3. BOUNCE: Block concurrent SIMD Concept . . . . . . . . . . . . . 126
7.4. BOUNCE Application . . . . . . . . . . . . . . . . . . . . . . .128
7.4.1. Application to BP . . . . . . . . . . . . . . . . . . . . . . 128
7.4.2. Application to Simple Algorithms . . . . . . . . . . . . . . .130
7.4.3. Application to Varint Algorithms . . . . . . . . . . . . . . .130
7.4.4. Application to Further Algorithms . . . . . . . . . . . . . . 130
7.5. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . .131
7.5.1. Evaluation Setup . . . . . . . . . . . . . . . . . . . . . . .131
7.5.2. Performance of the Data Access Pattern . . . . . . . . . . . .132
7.5.3. Evaluating Bitpacking . . . . . . . . . . . . . . . . . . . . 132
7.5.4. Synthetic Data Sets with Fixed Bit Widths . . . . . . . . . . 133
7.5.5. Synthetic Data Sets with Different Bit Widths . . . . . . . . 134
7.5.6. Impact of Different Hardware Architectures . . . . . . . . . .135
7.5.7. Evaluation on Real Data Sets . . . . . . . . . . . . . . . . .136
7.6. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . .137
7.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . .137
8. Conclusion and Research Outlook . . . . . . . . . . . . . . . . .139
8.1. Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.2. Research Outlook . . . . . . . . . . . . . . . . . . . . . . . .140 / Spaltenorientierte InMemory Datenbanksysteme müssen sowohl Basisdaten als auch generierte Zwischenergebnisse während der Anfrageverarbeitung im Hauptspeicher halten. Darüber hinaus werden Basisddaten sowie auch Zwischenergebnisse in dieser Art von Datenbanksystemen normalerweise als Integerdaten repräsentiert. Daher ist der Aufwand für den Zugriff auf Zwischenergebnisse äquivalent zum Aufwand für den Zugriff auf die Basisdaten.
Basierend auf dieser Eigenschaft ist die Optimierung von Zwischenergebnissen ein wichtiger genereller Optimierungsparameter und hat einen hohen Einfluss auf die Leistung der Anfrageausführung. Deshalb untersuchen wir die kontinuierliche Verwendung von Integerkompressionsschemata für Zwischenergebnisse und haben ein neues Anfrageverarbeitungskonzept entworfen, welches sich der Datenkompression zur Effizienzsteigerung bedient. Um die Gesamtanfrageausführungszeit zu minimieren, muss das am besten geeignete Integerkompressionsschema verwendet werden. Bisherige Untersuchungen haben jedoch erwiesen, dass es keinen allgemeinen besten Integerkompressionsalgorithmus gibt. Daten und Hardwaremerkmale sowie Optimierungsziele wie Dekompressionsgeschwindigkeit oder Kompressionsrate bestimmen die Eigenschaften passender Algorithmen.
Um hier einen Lösungsansatz ausgehend von der Systemperspektive zu eröffnen, präsentieren wir in dieser Arbeit einen modellbasierten Ansatz, um eine große Anzahl von Integerkompressionsschemata in unserem kompressionsbewussten Anfrageverarbeitungskonzept verfügbar zu machen. Danach beschreiben wir im Detail unseren modellbasierten Ansatz, indem wir (i) unser entwickeltes Metamodell für Integerkompressionsschemata namens COLLATE vorstellen und (ii) zeigen, dass eine große Anzahl von Integerkompressionsschemata als Modell beschrieben werden kann, welches dem Ansatz von COLLATE entspricht. Danach stellen wir ein Konzept und eine Implementierung vor, um skalare Kompressions und Dekompressionsroutinen automatisch aus dem Kompressionsschemamodell abzuleiten. Schließlich stellen wir ein neuartiges generalisiertes SIMDKonzept für Integerkompressionsalgorithmen namens BOUNCE vor, um aus einer skalaren Ausführung eine datenparallele Ausführung unter Verwendung von SIMDBefehlssatzerweiterungen von allgemeinen CPUs abzuleiten.:1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1. Thesis Goals and Contributions . . . . . . . . . . . . . . . . . .7
1.1.1. Model-Based Concept for Compression Schemes . . . . . . . . . . 8
1.1.2. Model-Based Generator Framework . . . . . . . . . . . . . . . .10
1.1.3. Generalized SIMD Concept for Integer Compression . . . . . . . 12
1.2. Impact of Thesis Contributions . . . . . . . . . . . . . . . . . 14
1.2.1. Publications of Thesis Contribution . . . . . . . . . . . . . .14
1.2.2. Open Source Contributions . . . . . . . . . . . . . . . . . . .17
1.2.3. Additional Contributions . . . . . . . . . . . . . . . . . . . 18
1.3. Structure of the Thesis . . . . . . . . . . . . . . . . . . . . .21
I. Model-Based Concept for Compression Schemes . . . . . . . . . . . 23
2. Compression-Aware In-Memory Query Processing . . . . . . . . . . .25
2.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1. Vision of Compression-Aware In-Memory Query Processing . . . . 26
2.1.2. System Design Challenge for Compression-Aware Processing . . . 26
2.1.3. Our Contribution and Outline . . . . . . . . . . . . . . . . . 27
2.2. System Design Overview . . . . . . . . . . . . . . . . . . . . . 28
2.3. Survey of Lightweight Data Compression Algorithms . . . . . . . .29
2.3.1. Analysis of Basic Lightweight Compression Techniques . . . . . 29
2.3.2. Analysis of Lightweight Compression Algorithms . . . . . . . . 30
2.3.3. Derived System Description and Properties . . . . . . . . . . .31
2.4. COLLATE Model . . . . . . . . . . . . . . . . . . . . . . . . . .32
2.5. Transformation of Model Instances . . . . . . . . . . . . . . . .34
2.5.1. Model Instances for Byte-oriented Encoding Algorithms . . . . .34
2.5.2. Transformation to Executable Code . . . . . . . . . . . . . . .35
2.6. Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . .38
2.6.1. Structural Aspect . . . . . . . . . . . . . . . . . . . . . . .39
2.6.2. Operational Aspect . . . . . . . . . . . . . . . . . . . . . . 39
2.6.3. Optimization Aspect . . . . . . . . . . . . . . . . . . . . . .40
2.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3. Metamodeling Lightweight Data Compression Algorithms . . . . . . .41
3.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .41
3.2. Metamodeling Lightweight Compression Algorithms . . . . . . . . .43
3.2.1. Properties of Data Compression Algorithms . . . . . . . . . . .43
3.2.2. COLLATE Metamodel . . . . . . . . . . . . . . . . . . . . . . .44
3.2.3. Interaction of COLLATE Concepts . . . . . . . . . . . . . . . .46
3.3. Application Scenarios . . . . . . . . . . . . . . . . . . . . . .46
3.3.1. Algorithms as Models . . . . . . . . . . . . . . . . . . . . . 46
3.3.2. Compression Algorithm Language CoALa . . . . . . . . . . . . . 48
3.3.3. Transformation of CoALa Code to Executable Code . . . . . . . .49
3.4. Case Studies . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.6. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
II. Model-Based Generator Framework . . . . . . . . . . . . . . . . .55
4. LCTL: Lightweight Compression Template Library . . . . . . . . . .57
4.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .57
4.2. Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . .59
4.2.1. Characteristics of Lightweight Compression . . . . . . . . . . 59
4.2.2. Metamodel COLLATE . . . . . . . . . . . . . . . . . . . . . . .60
4.3. Lightweight Compression Template Library . . . . . . . . . . . . 62
4.3.1. Template Metaprogramming for Tree Transformations . . . . . . .62
4.3.2. Lightweight Compression Template Library . . . . . . . . . . . 64
4.4. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.1. Format Space Diversity . . . . . . . . . . . . . . . . . . . . 71
4.4.2. Compile-Times . . . . . . . . . . . . . . . . . . . . . . . . .72
4.4.3. Run-Times . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.5. Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . .73
4.5.1. Further Code Optimization . . . . . . . . . . . . . . . . . . .74
4.5.2. Format Selection . . . . . . . . . . . . . . . . . . . . . . . 74
4.5.3. Integration . . . . . . . . . . . . . . . . . . . . . . . . . .75
4.6. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5. Integrating Compression into Apache Arrow . . . . . . . . . . . . 77
5.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .77
5.2. Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . .79
5.2.1. Apache Arrow . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.2. Lightweight Integer Compression . . . . . . . . . . . . . . . .82
5.2.3. Lessons Learned . . . . . . . . . . . . . . . . . . . . . . . .83
5.3. ArrowComp Framework . . . . . . . . . . . . . . . . . . . . . . .83
5.3.1. Metamodel for (De)Compression . . . . . . . . . . . . . . . . .84
5.3.2. Self-Describing Columns . . . . . . . . . . . . . . . . . . . .85
5.3.3. Implementation . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.4.1. Data Sizes . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.4.2. Run Times . . . . . . . . . . . . . . . . . . . . . . . . . . .90
5.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.1. Storage-oriented Formats . . . . . . . . . . . . . . . . . . . 92
5.5.2. Processing-oriented Formats . . . . . . . . . . . . . . . . . .93
5.5.3. Apache Arrow-centric Work . . . . . . . . . . . . . . . . . . .93
5.6. Conclusion and Future Work . . . . . . . . . . . . . . . . . . . 94
III. Generalized SIMD Concept for Integer Compression . . . . . . . .95
6. Partition-Based SIMD Processing . . . . . . . . . . . . . . . . . 97
6.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . .97
6.2. Gather Evaluation . . . . . . . . . . . . . . . . . . . . . . . .99
6.2.1. Evaluation Setup . . . . . . . . . . . . . . . . . . . . . . . 99
6.2.2. Evaluation Results . . . . . . . . . . . . . . . . . . . . . .101
6.3. Partition-based SIMD . . . . . . . . . . . . . . . . . . . . . .105
6.4. Application Use Cases . . . . . . . . . . . . . . . . . . . . . 106
6.4.1. Vectorized Query Processing . . . . . . . . . . . . . . . . . 107
6.4.2. Integer Compression . . . . . . . . . . . . . . . . . . . . . 109
6.5. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . .110
6.6. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . .111
7. BOUNCE: Memory-Efficient SIMD Compression . . . . . . . . . . . .113
7.1. Problem Statement . . . . . . . . . . . . . . . . . . . . . . . 113
7.2. Analyzing State-of-the-Art . . . . . . . . . . . . . . . . . . .115
7.2.1. Bitpacking . . . . . . . . . . . . . . . . . . . . . . . . . .116
7.2.2. Simple Algorithms . . . . . . . . . . . . . . . . . . . . . . 120
7.2.3. Varint Algorithms . . . . . . . . . . . . . . . . . . . . . . 122
7.2.4. Further Compression Algorithms . . . . . . . . . . . . . . . .124
7.2.5. Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.3. BOUNCE: Block concurrent SIMD Concept . . . . . . . . . . . . . 126
7.4. BOUNCE Application . . . . . . . . . . . . . . . . . . . . . . .128
7.4.1. Application to BP . . . . . . . . . . . . . . . . . . . . . . 128
7.4.2. Application to Simple Algorithms . . . . . . . . . . . . . . .130
7.4.3. Application to Varint Algorithms . . . . . . . . . . . . . . .130
7.4.4. Application to Further Algorithms . . . . . . . . . . . . . . 130
7.5. Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . .131
7.5.1. Evaluation Setup . . . . . . . . . . . . . . . . . . . . . . .131
7.5.2. Performance of the Data Access Pattern . . . . . . . . . . . .132
7.5.3. Evaluating Bitpacking . . . . . . . . . . . . . . . . . . . . 132
7.5.4. Synthetic Data Sets with Fixed Bit Widths . . . . . . . . . . 133
7.5.5. Synthetic Data Sets with Different Bit Widths . . . . . . . . 134
7.5.6. Impact of Different Hardware Architectures . . . . . . . . . .135
7.5.7. Evaluation on Real Data Sets . . . . . . . . . . . . . . . . .136
7.6. Related Work . . . . . . . . . . . . . . . . . . . . . . . . . .137
7.7. Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . .137
8. Conclusion and Research Outlook . . . . . . . . . . . . . . . . .139
8.1. Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.2. Research Outlook . . . . . . . . . . . . . . . . . . . . . . . .140
|
155 |
Wirtschaftlich, zuverlässig, weitreichendBonte, Achim, Niederlein, Falk, Szepanski, Sven 23 March 2012 (has links) (PDF)
Lizenzpflichtige elektronische Nachschlagewerke und Volltextdatenbanken wie die Normendatenbank „Perinorm“, „Chemical Abstracts“ oder „Journal Citation Reports“ bilden auch im Google-Zeitalter den unverzichtbaren Kern der wissenschaftlichen Fachinformation. Angesichts des teilweise sehr hohen Aufwands für Bereitstellung, Updates, Zugriffs- und Rechteverwaltung solcher Datenbanken wurden aus Mitteln des Europäischen Fonds für Regionale Entwicklung (EFRE) seit 2008 die einzelnen Datenbankserver der sächsischen Bibliotheken durch das zentrale Informationssystem Databases on demand (DBoD) abgelöst. Als Entwicklungsziele galten verringerte Betriebskosten, nachhaltiger Service auch für kleinere, bis dahin gar nicht erreichte Informationseinrichtungen, höhere Benutzerfreundlichkeit sowie deutliche Erweiterung der online angebotenen Inhalte. Wenn man so will, entsprach das schon damals dem heute allgegenwärtigen Gedanken des „Cloud Computing“, wonach IT-Infrastruktur nicht mehr individuell betrieben, sondern über einen Dienst vielen Anwendern zur Verfügung gestellt wird.
|
156 |
Konzeption eines multimedialen Lernsystems unter Verwendung eines semistrukturierten DatenbanksystemsNguyen-Thi, Huyen-Diep 10 June 2002 (has links) (PDF)
In der Arbeit wird ein Ansatz zur Verwaltung von Lernmaterialien in einem semistrukturierten Datenbanksystem vorgestellt. Der Ansatz zeichnet sich durch die Wiederverwendung einmal gespeicherter Lernmaterialien aus
|
157 |
Abgleich verteilter Datenbestände am Beispiel des Gesundheitswesens /Zachewitz, Ludger. January 2007 (has links) (PDF)
Techn. Univ., Diss.--Braunschweig, 2007.
|
158 |
Storage and retrieval of XML documents with a cluster of database systems /Grabs, Torsten. January 2003 (has links)
Eidgenössische Techn. Hochsch., Diss.--Zürich, 2003.
|
159 |
Spatio-temporal information system for the geosciencesLe, Hai Ha 03 November 2014 (has links) (PDF)
The development of spatio–temporal geoscience information systems (TGSIS) as the next generation of geographic information systems (GIS) and geoscience information systems (GSIS) was investigated with respect to the following four aspects: concepts, data models, software, and applications. These systems are capable of capturing, storing, managing, and querying data of geo–objects subject to dynamic processes, thereby causing the evolution of their geometry, topology and geoscience properties. In this study, five data models were proposed. The first data model represents static geo–objects whose geometries are in the 3–dimensional space. The second and third data models represent geological surfaces evolving in a discrete and continuous manner, respectively. The fourth data model is a general model that represents geo–objects whose geometries are n–dimensional embedding in the m–dimensional space R^m, m >= 3. The topology and the properties of these geo–objects are also represented in the data model. In this model, time is represented as one dimension (valid time). Moreover, the valid time is an independent variable, whereas geometry, topology, and the properties are dependent (on time) variables. The fifth data model represents multiple indexed geoscience data in which time and other non–spatial dimensions are interpreted as larger spatial dimensions.
To capture data in space and time, morphological interpolation methods were reviewed, and a new morphological interpolation method was proposed to model geological surfaces evolving continuously in a time interval. This algorithm is based on parameterisation techniques to locate the cross–reference and then compute the trajectories complying with geometrical constraints. In addition, the long transaction feature was studied, and the data schema, functions, triggers, and views were proposed to implement the long transaction feature and the database versioning in PostgreSQL. To implement database versioning tailored to geoscience applications, an algorithm comparing two triangulated meshes was also proposed. Therefore, TGSIS enable geologists to manage different versions of geoscience data for different geological paradigms, data, and authors.
Finally, a prototype software system was built. This system uses the client/server architecture in which the server side uses the PostgreSQL database management system and the client side uses the gOcad geomodeling system. The system was also applied to certain sample applications.
|
160 |
Large scale mining and retrieval of visual data in a multimodal contextQuack, Till January 2009 (has links)
Zugl.: Zürich, Techn. Hochsch., Diss.
|
Page generated in 0.063 seconds