論文の概要: Automatic Storage Structure Selection for hybrid Workload
- arxiv url: http://arxiv.org/abs/2008.06640v1
- Date: Sat, 15 Aug 2020 03:42:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 21:10:08.978199
- Title: Automatic Storage Structure Selection for hybrid Workload
- Title（参考訳）: ハイブリッドワークロードの自動ストレージ構造選択
- Authors: Hongzhi Wang, Yan Wei and Hao Yan
- Abstract要約: ハイブリッドワークロードでは、データベースのクエリセットが動的に変更され、最適なストレージ構造の設計も変更されている。
そこで本研究では,学習コストに基づく自動記憶構造選択システムを提案する。
実験の結果,本システムでは,現在のワークロードに応じて,ストレージエンジンとデータモデルの組み合わせを最適に選択できることがわかった。
- 参考スコア（独自算出の注目度）: 14.15132605296406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the use of database systems, the design of the storage engine and data
model directly affects the performance of the database when performing queries.
Therefore, the users of the database need to select the storage engine and
design data model according to the workload encountered. However, in a hybrid
workload, the query set of the database is dynamically changing, and the design
of its optimal storage structure is also changing. Motivated by this, we
propose an automatic storage structure selection system based on learning cost,
which is used to dynamically select the optimal storage structure of the
database under hybrid workloads. In the system, we introduce a machine learning
method to build a cost model for the storage engine, and a column-oriented data
layout generation algorithm. Experimental results show that the proposed system
can choose the optimal combination of storage engine and data model according
to the current workload, which greatly improves the performance of the default
storage structure. And the system is designed to be compatible with different
storage engines for easy use in practical applications.
- Abstract（参考訳）: データベースシステムでは、ストレージエンジンとデータモデルの設計は、クエリ実行時のデータベースのパフォーマンスに直接影響します。
したがって、データベースのユーザは、遭遇したワークロードに応じて、ストレージエンジンとデータモデルを選択する必要がある。
しかし、ハイブリッドワークロードでは、データベースのクエリセットが動的に変化しており、その最適なストレージ構造の設計も変化している。
そこで本研究では,ハイブリッドワークロード下でデータベースの最適なストレージ構造を動的に選択するために,学習コストに基づく自動記憶構造選択システムを提案する。
本システムでは,ストレージエンジンのコストモデルを構築するための機械学習手法と,カラム指向のデータレイアウト生成アルゴリズムを提案する。
実験の結果,本システムでは,現在のワークロードに応じて,ストレージエンジンとデータモデルの組み合わせを最適に選択できることがわかった。
システムは様々なストレージエンジンと互換性があり、実用的なアプリケーションで簡単に使えるように設計されている。
関連論文リスト
- Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。
UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。
固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
論文 参考訳（メタデータ） (2024-10-09T22:25:50Z) - A Novel Framework for Automated Warehouse Layout Generation [5.076606750431126]
自動倉庫レイアウト生成のためのAI駆動フレームワークを提案する。
このフレームワークは、制約されたビームサーチを用いて、与えられた空間パラメータ内の最適なレイアウトを導出する。
本手法は, 各種倉庫の寸法や形状に対して, 実現可能な最適レイアウトを作成できることを示す。
論文 参考訳（メタデータ） (2024-07-11T16:15:09Z) - Bullion: A Column Store for Machine Learning [4.096087402737292]
本稿では,機械学習処理に適した列記憶システムであるBullionについて述べる。
Bundyはデータコンプライアンスの複雑さに対処し、長いシーケンススパース機能のエンコーディングを最適化し、拡張可能なプロジェクションを効率的に管理し、ストレージに機能量子化を導入し、包括的なカスケードエンコーディングフレームワークを提供する。
予備的な実験結果と理論的分析は、機械学習ワークロードのユニークな要求に直面して、Bullionが強力なパフォーマンスを提供する能力が改善されたことを示している。
論文 参考訳（メタデータ） (2024-04-13T05:01:54Z) - ColdNAS: Search to Modulate for User Cold-Start Recommendation [59.06457942204116]
ユーザによるコールドスタート問題に対するColdNASと呼ばれる変調フレームワークを提案する。
ニューラルアーキテクチャサーチにより,機能や位置を含む適切な変調構造を探索する。
異なる変調関数が、異なるデータセット上で最高のパフォーマンスをもたらすことを観察する。
論文 参考訳（メタデータ） (2023-06-06T04:04:12Z) - AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph
Neural Networks [75.11008617118908]
AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。
本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
論文 参考訳（メタデータ） (2023-03-14T07:23:16Z) - Optimizing L1 cache for embedded systems through grammatical evolution [1.9371782627708491]
文法的進化(GE)は、与えられたベンチマークアプリケーションに対して最適なキャッシュ構成を効率的に見つけることができる。
提案手法では,実世界のベースライン構成に対して平均62%の効率向上が得られるキャッシュ構成を見つけることができる。
論文 参考訳（メタデータ） (2023-03-06T18:10:00Z) - Sibyl: Adaptive and Extensible Data Placement in Hybrid Storage Systems
Using Online Reinforcement Learning [12.154786841911447]
ハイブリッドストレージシステムにおけるデータ配置のための最初の手法であるSibylを紹介する。
Sibylはパフォーマンス指向/コスト指向のHSS構成において21.6%/19.9%のパフォーマンス改善を提供する。
論文 参考訳（メタデータ） (2022-05-15T22:53:36Z) - DHA: End-to-End Joint Optimization of Data Augmentation Policy,
Hyper-parameter and Architecture [81.82173855071312]
本稿では,AutoMLコンポーネントを統合したエンドツーエンドソリューションを提案する。
Dhaは、様々なデータセット、特にセルベースの検索空間を持つImageNetの77.4%の精度で、最先端(SOTA)結果を達成する。
論文 参考訳（メタデータ） (2021-09-13T08:12:50Z) - Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。
本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。
ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
論文 参考訳（メタデータ） (2021-06-14T14:30:32Z) - Importance of feature engineering and database selection in a machine
learning model: A case study on carbon crystal structures [5.627346969563955]
この研究は、データベースの機能の選択と特性が機械学習アプリケーションに与える影響を深く理解することを目指している。
本研究は, (i) 機械学習モデルの性能が, 特徴セットとデータベースによって異なること, (ii) 位相空間のすべての構造に転送可能でないこと, (iii) データベース内の構造がどのように表現されているかに依存すること,の2点を示す。
論文 参考訳（メタデータ） (2021-01-30T08:54:01Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳（メタデータ） (2020-09-22T16:55:49Z)
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。