論文の概要: Snel: SQL Native Execution for LLVM
- arxiv url: http://arxiv.org/abs/2002.09449v2
- Date: Wed, 4 Mar 2020 12:32:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 11:29:28.431469
- Title: Snel: SQL Native Execution for LLVM
- Title(参考訳): Snel: LLVMのSQLネイティブ実行
- Authors: Marcelo Mottalli, Alejo Sanchez, Gustavo Ajzenman, Carlos Sarraute
- Abstract要約: Snelは、クエリと列データ表現のJust-In-Time (JIT)コンパイルを備えたデータベースエンジンである。
SnelはLLVMコンパイラインフラストラクチャを活用することで、高速なオンライン分析を実現するように設計されている。
- 参考スコア(独自算出の注目度): 0.17205106391379021
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Snel is a relational database engine featuring Just-In-Time (JIT) compilation
of queries and columnar data representation. Snel is designed for fast on-line
analytics by leveraging the LLVM compiler infrastructure. It also has custom
special methods like resolving histograms as extensions to the SQL language.
"Snel" means "SQL Native Execution for LLVM".
Unlike traditional database engines, it does not provide a client-server
interface. Instead, it exposes its interface as an extension to SQLite, for a
simple interactive usage from command line and for embedding in applications.
Since Snel tables are read-only, it does not provide features like transactions
or updates. This allows queries to be very fast since they don't have the
overhead of table locking or ensuring consistency.
At its core, Snel is simply a dynamic library that can be used by client
applications. It has an SQLite extension for seamless integration with a
traditional SQL environment and simple interactive usage from command line.
- Abstract(参考訳): Snelは、クエリと列データ表現のJust-In-Time (JIT)コンパイルを備えたリレーショナルデータベースエンジンである。
SnelはLLVMコンパイラインフラストラクチャを活用することで、高速なオンライン分析を実現するように設計されている。
また、SQL言語の拡張としてヒストグラムを解決するようなカスタムな特別なメソッドもある。
Snel は "SQL Native Execution for LLVM" を意味する。
従来のデータベースエンジンとは異なり、クライアントサーバインターフェースを提供しない。
代わりに、コマンドラインからの単純なインタラクティブな使用とアプリケーションへの組み込みのために、sqliteの拡張としてインターフェースを公開している。
Snelテーブルは読み取り専用であるため、トランザクションや更新のような機能を提供しない。
これにより、テーブルロックや一貫性の確保のオーバーヘッドがないため、クエリは非常に高速になる。
Snelの中核は、単に動的ライブラリであり、クライアントアプリケーションで使用することができる。
従来のSQL環境とシームレスに統合するためのSQLite拡張と、コマンドラインからのシンプルなインタラクティブな利用がある。
関連論文リスト
- Optimizing LLM Queries in Relational Workloads [58.254894049950366]
本稿では,LLMをリレーショナルクエリ内で実行する解析処理に対して,LLM(Large Language Models)推論を最適化する方法を示す。
私たちはこれらの最適化をApache Sparkで実装し、vLLMをバックエンドとして提供しています。
実データセット上の多様なLLMベースのクエリのベンチマークで、エンドツーエンドのレイテンシを最大4.4倍改善する。
論文 参考訳(メタデータ) (2024-03-09T07:01:44Z) - BlendSQL: A Scalable Dialect for Unifying Hybrid Question Answering in
Relational Algebra [6.196809687461253]
ブレンドは構造化データと非構造化データの両方にわたる推論をオーケストレーションするための統一方言として機能する。
Blendは大規模なデータセットにスケールでき、トークンを35%減らしながらエンドツーエンドシステムの性能を向上させることができる。
論文 参考訳(メタデータ) (2024-02-27T20:48:24Z) - SQLPrompt: In-Context Text-to-SQL with Minimal Labeled Data [54.69489315952524]
Prompt"は、Text-to-LLMのいくつかのショットプロンプト機能を改善するように設計されている。
Prompt"は、ラベル付きデータが少なく、テキスト内学習における従来のアプローチよりも大きなマージンで優れている。
emphPromptはテキスト内学習における従来の手法よりも優れており,ラベル付きデータはほとんどない。
論文 参考訳(メタデータ) (2023-11-06T05:24:06Z) - Allies: Prompting Large Language Model with Beam Search [107.38790111856761]
本研究では,ALIESと呼ばれる新しい手法を提案する。
入力クエリが与えられた場合、ALLIESはLLMを活用して、元のクエリに関連する新しいクエリを反復的に生成する。
元のクエリのスコープを反復的に精錬して拡張することにより、ALLIESは直接検索できない隠れた知識をキャプチャし、利用する。
論文 参考訳(メタデータ) (2023-05-24T06:16:44Z) - Improving Text-to-SQL Semantic Parsing with Fine-grained Query
Understanding [84.04706075621013]
トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。
我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
論文 参考訳(メタデータ) (2022-09-28T21:00:30Z) - Proton: Probing Schema Linking Information from Pre-trained Language
Models for Text-to-SQL Parsing [66.55478402233399]
本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。
スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。
我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
論文 参考訳(メタデータ) (2022-06-28T14:05:25Z) - Forecasting SQL Query Cost at Twitter [2.124552987084511]
Serviceは、履歴クエリ要求ログからモデルをトレーニングするために、機械学習技術を使用している。
モデルはCPU使用率予測の97.9%、メモリ使用率予測の97%の精度を達成することができる。
論文 参考訳(メタデータ) (2022-04-12T05:08:30Z) - "What makes my queries slow?": Subgroup Discovery for SQL Workload
Analysis [1.3124513975412255]
サブグループディスカバリーに根ざした独自のアプローチを導入する。
この汎用データマイニングフレームワークのインスタンス化と開発方法を示す。
インタラクティブな知識発見のための可視化ツールも提供しています。
論文 参考訳(メタデータ) (2021-08-09T09:44:13Z) - Dual Reader-Parser on Hybrid Textual and Tabular Evidence for Open
Domain Question Answering [78.9863753810787]
世界の知識は構造化データベースに保存されている。
クエリ言語は、複雑な推論を必要とする質問に答えるだけでなく、完全な説明可能性を提供することができる。
論文 参考訳(メタデータ) (2021-08-05T22:04:13Z) - Improving Text-to-SQL with Schema Dependency Learning [22.07452161565993]
実行誘導デコーディングは、推論プロセスを遅くし、多くの現実世界のアプリケーションに不満足なデータベース実行に依存している。
質問とスキーマ間のインタラクションを効果的にキャプチャするネットワークをガイドするために、依存性ガイド付きマルチタスクテキストタスクモデル(SD)を紹介します。
論文 参考訳(メタデータ) (2021-03-07T16:56:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。