MARC

 008260126s2025        us                              c    eng  d
■001000017360328
■00520260202105507
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263326289
■035    ▼a(MiAaPQ)AAI32308062
■035    ▼a(MiAaPQ)GeorgiaTech78637
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a510
■1001  ▼aCao,  Jiashen.
■24510▼aEnhance  Database  Query  Performance  Through  Software  Optimization  and  Hardware  Adaptation
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a183  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Arulraj,  Joy;Kim,  Hyesoon.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aAs  data  in  a  database  management  system  (DBMS)  becomes  increasingly  complex,  there  is  a  growing  need  for  sophisticated  analytical  techniques-such  as  deep  neural  networks-capable  of  extracting  meaningful  insights.  However,  these  methods  are  often  compute-intensive,  necessitating  the  use  of  specialized  accelerators  such  as  the  graphic  processing  unit  (GPU)  to  achieve  practical  performance.Given  this  trend,  modern  DBMSs  frequently  integrate  GPU-based  query  execution.  For  a  good  performance,  we  argue  that  query  planning  must  be  approached  judiciously,  ensuring  that  advanced  algorithms  are  employed  cautiously  so  as  not  to  abuse  the  underlying  hardware.  Once  an  optimal  plan  is  devised,  the  next  critical  step  is  to  refine  its  implementation  to  leverage  the  GPU's  computational  resources  fully.  By  combining  judicious  query  planning  with  optimized  execution,  we  can  unlock  the  full  potential  of  modern  hardware  accelerators  in  database  systems.My  first  research  endeavor  focuses  on  improving  the  query  plan  to  avoid  overusing  compute  intensive  algorithms  for  machine  learning-based  queries,  particularly  queries  in  video  DBMSs.  FiGO  proposes  a  fine-grained  approach  where  just-enough  accurate  deep  learning  algorithms  are  used  to  analyze  the  data  without  compromising  accuracy.  To  pick  the  right  algorithm,  FiGO  uses  an  ensemble  of  algorithms,  evaluates  all  algorithms  on  sampled  data,  and  applies  the  fastest  but  yet  still  accurate  algorithm  to  analyze.  Aero  proposes  to  apply  the  classic  adaptive  query  processing  (AQP)  framework  on  those  emergent  queries.  It  utilizes  runtime  statistics  to  dynamically  reorder  predicates  that  involve  deep  learning  to  minimize  the  query  processing  time.My  second  research  endeavor  focuses  on  improving  hardware  utilization,  particularly  GPUs  in  DBMSs.  The  GPU  database  systems  characterization  and  optimization  paper  analyzes  the  resource  utilization  of  GPUs  during  query  execution  and  their  performance  bottlenecks.  Based  on  the  roofline  analysis,  we  propose  optimizations  to  reduce  the  total  data  access  and  increase  the  query  execution  concurrency  to  improve  the  performance,  delivering  better  performance  than  the  state-of-the-art  systems.  As  part  of  Aero,  we  also  extend  the  AQP  framework  to  also  promote  the  GPU  utilization  during  machine  learning  (ML)  query  executions,  which  previously  was  not  done  through  the  AQP  framework.  Lastly,  to  facilitate  the  recent  demand  of  using  the  large  language  model  (LLM)  in  DBMSs,  we  propose  tailored  buffer  management  policy  called  LIRS-M  to  better  utilize  the  GPU  memory  resource  for  a  good  performance.
■590    ▼aSchool  code:  0078.
■650  4▼aSample  size
■650  4▼aComputer  engineering
■650  4▼aComputer  science
■653    ▼aAdaptive  query  processing
■653    ▼aMachine  learning
■690    ▼a0984
■690    ▼a0464
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360328▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서