CN105122239B - 用于针对矢量化查询执行的自适应矢量大小选择的系统和方法 - Google Patents
用于针对矢量化查询执行的自适应矢量大小选择的系统和方法 Download PDFInfo
- Publication number
- CN105122239B CN105122239B CN201480012872.8A CN201480012872A CN105122239B CN 105122239 B CN105122239 B CN 105122239B CN 201480012872 A CN201480012872 A CN 201480012872A CN 105122239 B CN105122239 B CN 105122239B
- Authority
- CN
- China
- Prior art keywords
- vector
- size
- query
- vector size
- plan tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2453—Query optimisation
- G06F16/24534—Query rewriting; Transformation
- G06F16/24542—Plan optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了用于针对矢量化查询执行的自适应矢量大小选择的系统和方法实施例。所述自适应矢量大小选择在两个阶段中实施。在查询计划阶段中,由查询计划器针对查询估计合适的矢量大小。所述计划阶段包括分析查询计划树、将所述树分段成不同片段,以及为所述查询执行计划向每个片段分配初始矢量大小。在后续查询执行阶段中,执行引擎监测硬件性能指标,并根据所述监测到的硬件性能指标调整所述矢量大小。调整所述矢量大小包括尝试不同的矢量大小并观察相关处理器计数器以增大或减小所述矢量大小,其中根据所述处理器计数器增大所述矢量大小以提高硬件性能,并且当所述处理器计数器指示硬件性能降低时减小所述矢量大小。
Description
相关申请案交叉申请
本发明要求2013年3月13日递交的发明名称为“用于针对矢量化查询执行的自适应矢量大小选择的系统和方法(System and Method for Adaptive Vector SizeSelection for Vectorized Query Execution)”的第13/798,680号美国专利申请案的在先申请优先权,该在先申请的内容以引入的方式并入本文本中,如全文再现一般。
技术领域
本发明总体上涉及数据库系统和方法,在具体实施例中,涉及一种用于针对矢量化查询执行的自适应矢量大小选择的系统和方法。
背景技术
矢量化查询执行是对一些传统数据库所使用的当前行流水线执行引擎的一项显著的性能改进。在传统的流水线执行引擎中,每个迭代器之间的数据单元是一行,而矢量化查询执行则使用矢量。使用矢量作为数据单元的一个益处在于将每行开销分摊至行矢量。矢量化查询执行的一个关键因素是矢量长度或大小,过小和过大的大小都会损害性能。一般而言,矢量大小越大,可以分摊的每行开销越多,从而使得性能更好。然而,较大大小的矢量需要更多的内存来存储它,这可能导致缓存未命中并因此损害性能。不存在针对矢量大小的唯一最佳设置,因为它还涉及到查询和硬件设置。对于不同的查询和不同的硬件设置,最优长度可以是不同的。例如,较大的L1缓存允许更大大小的矢量。需要一种根据软件和硬件需求选择最优矢量大小以获得性能的方法。
发明内容
根据实施例,一种用于针对矢量化查询执行的自适应矢量大小选择的方法包括:在查询计划时间期间在查询计划器模块处确定适于查询计划树的矢量大小,在用于所述查询计划树的查询执行时间期间在查询执行引擎处监测硬件性能指标,以及根据所述监测到的硬件性能指标调整所述矢量大小。
根据另一实施例,一种用于针对矢量化查询执行的自适应矢量大小选择的方法包括:在用于查询计划树的矢量化查询执行期间在查询执行引擎处收集处理单元计数器;根据所述收集到的处理单元计数器修改用于处理所述矢量化查询执行的矢量的矢量大小;以及在确定所述矢量化查询执行的令人满意的性能或者所述矢量化查询执行超时时,确定所述修改后矢量大小是否与在所述矢量化查询执行的开始时所使用的初始矢量大小明显不同。所述方法还包括:在确定所述修改后矢量大小与所述初始矢量大小明显不同时,向优化器发送所述修改后矢量大小以便执行类似于所述查询计划树的后续查询计划树。
在又一实施例中,一种用于针对矢量化查询执行的自适应矢量大小选择的装置包括处理器以及存储用于由所述处理器执行的程序的计算机可读存储介质。所述程序包括用于执行以下操作的指令:在用于查询计划树的矢量化查询执行期间在运行时间时收集处理器计数器;根据所述收集到的处理器计数器修改用于处理所述矢量化查询执行的矢量的矢量大小;以及在确定所述矢量化查询执行的令人满意的性能或者所述矢量化查询执行超时时,确定所述修改后矢量大小是否与在所述矢量化查询执行的开始时所使用的初始矢量大小明显不同。所述指令还包括:在确定所述修改后矢量大小与所述初始矢量大小明显不同时,选择所述修改后矢量大小以开始执行类似于所述查询计划树的后续查询计划树。
附图说明
为了更完整地理解本发明及其优点,现在参考下文结合附图进行的描述,其中:
图1示出用于查询分段和初始矢量大小设置的实施例方法;
图2示出计划分段的示例;
图3示出用于执行时间时自适应矢量大小选择的实施例方法;
图4为可以用于实施各种实施例的处理系统的方框图。
具体实施方式
下文将详细论述当前优选实施例的制作和使用。然而,应了解,本发明提供可在各种具体上下文中体现的许多适用的发明性概念。所论述的具体实施例仅仅说明用以实施和使用本发明的具体方式,而不限制本发明的范围。
提供了用于针对矢量化查询执行的自适应矢量大小选择的系统和方法实施例。自适应矢量大小选择在两个阶段中实施。在查询计划阶段中,针对查询估计合适的矢量大小,例如,通过查询计划器。计划阶段包括分析查询计划树、将树分段成不同片段,以及为查询执行计划向每个片段分配初始矢量大小,例如基于经验性公式。在后续查询执行阶段中,执行引擎调整所估计的值以提高性能。在执行阶段中,利用计划阶段的所估计的矢量大小开始查询计划执行。在最初的若干执行循环中,使用这些矢量用于测试:通过尝试不同的矢量大小并观察相关处理器(或CPU)计数器来增大或减小矢量大小,并因此实现最优大小。
在计划阶段中,计划器可以分析查询(执行)计划树,将树拆分成不同片段,并基于经验公式向每个片段分配初始矢量大小。例如,当计划器获得查询计划树时,计划器将计划树拆分成片段,其中片段之间的边界可以由计划树中的任何相邻的非流水线迭代器决定。然后计划器决定用于每个片段的最佳的或合适的矢量大小。
图1示出用于查询或计划分段和初始矢量大小设置的实施例方法100。方法100在查询执行阶段之前的计划阶段中实施,并且可以包括生成查询执行计划。在方框110处,矢量化计划器生成用于查询102的计划树104。在判断方框120处,方法100(例如,计划器)确定查询是否是相对短的查询。如果查询是短查询,那么方法100前进至方框125,在方框125处使用默认矢量大小用于最终计划树108。这种对“短运行查询”的检查是为了防止小查询上的回归。否则,方法100前进至方框130,在方框130处实施查询计划分段以提供分段后计划树106。接下来,在方框140处,基于反馈和/或经验性公式为计划树的每个片段计算出最佳的或最优的矢量大小以提供最终计划树108。反馈可以包括先前针对类似的查询计划、片段、硬件、或其组合确定并使用的矢量大小。
图2示出计划分段200的示例。计划可以在计划阶段期间进行分段,例如作为方法100的一部分。计划由两个非流水线迭代器I3和I5根据下表1拆分成四个片段。迭代器I5也是连接点,其中每个分支对应于不同片段。表1示出可以针对用于查询执行的计划树使用的一些示例性迭代器的一些特性。整数N表示矢量大小。对于属性“流水线式”,“无”表示相应的迭代器在该迭代器可以输出之前可能不会消耗子迭代器的所有输出。流水线式迭代器示例包括扫描、流聚集、过滤器、适配器和其它。非流水线式迭代器示例包括哈希聚集和哈希连接(或哈希连接建立,如果哈希连接被拆分成建立迭代器和探测迭代器的话)。图2中计划的四个片段包括片段1(具有I1、I2和I5)、片段2(具有I1、I3和I5)、片段3(具有I4和I5)、和片段4(具有I3和I4)。
表1.计划迭代器特性
迭代器 | 输入大小 | 输出大小 | 处理大小 | 其它开销 | 流水线式 |
I1 | N | N | P1 | 0 | 是 |
I2 | N | N | 0 | O2 | 是 |
I3 | N | N | P3 | 0 | 否 |
I4 | N | N | 0 | O4 | 是 |
I5 | 2*N | N | P5 | O5 | 否 |
在实施例中,每个迭代器的内存占用率可以基于某一公式,诸如:
内存占用率(迭代器)=输入大小+输出大小+处理大小+开销。 (1)
根据该公式,子迭代器的输出是当前迭代器的输入,因此迭代器的片段的整体内存占用率可以是:
片段内存占用率(迭代器)=输入大小+SUM(输出大小+处理大小+开销)。 (2)
为了实现最佳的或最优的性能,最佳或最优的片段内存占用率值可以小于L1缓存大小,如果可能的话。如果不是,那么该值可以与最小可能的缓存级匹配。根据以上公式,可以确定初始矢量大小:最佳适合大小。矢量大小可以是至少某一值(常数)以分摊每行开销的成本。因此,最终格式可以如下:
最佳矢量大小=MAX(常数,最佳适合大小)。 (3)
在以上公式(1)中,存在一些计划器估计的内存占用率,如哈希表大小。如果哈希表大于所估计的大小,那么利用当前所估计的矢量大小的查询执行可能最终颠簸缓存。因此,需要某种执行阶段反馈以在执行阶段期间监测性能特性。
图3示出用于执行时间时自适应矢量大小选择的实施例方法300。方法300在紧接计划阶段的执行阶段中实施,例如,在实施方法100之后。方法300包括根据处理器或CPU执行时间反馈来调谐或调整例如在方法100中(在计划阶段期间)选择的初始矢量大小。CPU建立计数器
(PMC)用于提供针对执行性能的反馈。可以存在可以为了该目的进行监测的若干计数器(例如,数百个计数器)。例如,下表2示出可以监测的计数器的某一选择。
表2.可以在执行阶段期间监测的CPU计数器
当矢量长度N对于执行查询过大时,预期会有更高的缓存未命中,但更少的指令可能失效。当矢量长度N对于执行查询过小时,预期会有更少的缓存未命中,但更多的指令可能失效。因此,针对矢量大小调谐采用的规则是增大矢量大小直至观察到过量缓存未命中。为了减少缓存未命中,如果缓存未命中可以减少,那么减小矢量大小。例如,用于增大或减小矢量大小的步长单位可以设置为当前大小的10%。
在判断方框310处,方法300(例如,在计划执行期间)确定查询是否是相对短的查询。如果查询是短查询,那么方法300前进至方框315,在方框315处优化处理(或方法300)结束。这种对“短运行查询”的检查是为了防止小查询上的回归。否则,方法300前进至方框320,在方框320处收集用于若干矢量的CPU计数器。接着,在方框330处,基于所收集的计数器状态修改矢量大小。该大小可以增大,除非计数器指示性能降低(相比于先前收集的计数器状态)。如果性能降低,那么减小大小以提高性能。在判断方框340处,方法300(基于所监测的计数器)确定性能是否足够好,或者监视是否超时。方法300返回至方框320以继续监视计数器,并相应地修改矢量大小,直至方框34中的任一条件得到满足。然后,方法300前进至判断方框350,在判断方框350处方法300确定修改后矢量大小是否与初始值(例如,来自计划阶段)明显不同。如果修改后矢量大小与初始大小明显不同,那么方法300前进至方框360,在方框360处将该信息(与修改后矢量大小一起)发送至优化器。否则,方法300前进至方框315以结束优化处理。然后,优化器可以相应地调整矢量大小,例如,以用于下一轮查询运行。因此,在后序的类似查询计划执行中处理的矢量可以使用修改后矢量大小。
下面是用于执行时间时自适应矢量大小选择的实施例算法(例如,利用C编程)。例如,该算法可以作为方法300的一部分实施。
图4为可用于实施各种实施例的处理系统400的方框图。例如,处理系统400可以是网络组件的一部分或耦合至网络组件,网络组件诸如路由器、服务器、或任何其它合适的网络组件或装置。特定设备可利用所有所示的组件或所述组件的仅一子集,且设备之间的集成程度可能不同。此外,设备可以包括部件的多个实例,例如多个处理单元、处理器、存储器、发射器、接收器等。处理系统400可以包括配备一个或多个输入/输出设备,例如扬声器、麦克风、鼠标、触摸屏、按键、键盘、打印机、显示器等的处理单元401。处理单元401可包括中央处理器(CPU)410、存储器420、大容量存储设备430、视频适配器440,以及连接到总线的I/O接口460。所述总线可以为任何类型的若干总线架构中的一个或多个,包括存储总线或者存储控制器、外设总线等等。
所述CPU 410可包括任何类型的电子数据处理器。存储器420可包括任意类型的系统存储器,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)或其组合等等。在实施例中,存储器420可包括在开机时使用的ROM以及在执行程序时使用的存储程序和数据的DRAM。在实施例中,存储器420是非瞬时的。大容量存储器设备430可包括任意类型的存储设备,其用于存储数据、程序和其它信息,并使这些数据、程序和其它信息通过总线访问。大容量存储器设备430可包括如下项中的一种或多种:固态磁盘、硬盘驱动器、磁盘驱动器、光盘驱动器等等。
视频适配器440以及I/O接口460提供接口以将外部输入以及输出设备耦合到处理单元上。如图所示,输入输出设备的示例包括耦合至视频适配器440的显示器490和耦合至I/O接口470的鼠标/键盘/打印机460的任意组合。其它设备可以耦合至处理单元401,可以利用附加的或更少的接口卡。举例来说,串行接口卡(未图示)可以用于为打印机提供串行接口。
处理单元401还包括一个或多个网络接口450,网络接口450可包括以太网电缆等有线链路,和/或到接入节点或者一个或多个网络480的无线链路。网络接口450允许处理单元401通过网络480与远程单元通信。例如,网络接口450可以通过一个或多个发射器/发射天线以及一个或多个接收器/接收天线提供无线通信。在一个实施例中,处理单元401耦合到局域网或广域网上以用于数据处理以及与远程设备通信,所述远程设备例如其它处理单元、因特网、远程存储设施或其类似者。
虽然已参考说明性实施例描述了本发明,但此描述并不意图限制本发明。所属领域的技术人员在参考该描述后,将会明白说明性实施例的各种修改和组合,以及本发明其他实施例。因此,所附权利要求书意图涵盖任何此类修改或实施例。
Claims (17)
1.一种用于针对矢量化查询执行的自适应矢量大小选择的方法,其特征在于,所述方法包括:
在查询计划时间期间,在查询计划器模块处,确定适于查询计划树的矢量大小;
在用于所述查询计划树的查询执行时间期间,在查询执行引擎处,监测硬件性能指标;以及
根据所述监测到的硬件性能指标调整所述矢量大小;
所述确定适于查询计划树的矢量大小包括:
分析所述查询计划树,
将所述查询计划树拆分成多个片段;以及
向所述查询计划树的每个片段分配矢量大小。
2.根据权利要求1所述的方法,其特征在于,在所述查询计划时间期间确定的所述矢量大小被用于在所述查询执行时间的开始时处理所述查询计划树。
3.根据权利要求1所述的方法,其特征在于,在所述查询执行时间期间调整所述矢量大小包括尝试不同的矢量大小并观察相关处理器计数器以增大或减小所述矢量大小。
4.根据权利要求3所述的方法,其特征在于,根据所述处理器计数器增大所述矢量大小以提高硬件性能,并且当所述处理器计数器指示硬件性能降低时减小所述矢量大小。
5.根据权利要求1所述的方法,其特征在于,还包括向优化器发送所述调整后矢量大小以便使用所述调整后矢量大小执行类似于所述查询计划树的后续查询计划树。
6.根据权利要求5所述的方法,其特征在于,在所述查询计划时间期间根据经验性公式针对所述查询计划树将所述矢量大小确定为由所述优化器指示的最后矢量大小。
7.一种用于针对矢量化查询执行的自适应矢量大小选择的方法,其特征在于,所述方法包括:
在用于查询计划树的矢量化查询执行期间,在查询执行引擎处,收集处理单元计数器,所述查询计划树包括多个片段;
向所述查询计划树的每个片段分配矢量大小;
根据所述收集到的处理单元计数器修改用于处理所述矢量化查询执行的矢量的矢量大小;
在确定所述矢量化查询执行的令人满意的性能或者所述矢量化查询执行超时时,确定所述修改后矢量大小是否与在所述矢量化查询执行的开始时所使用的初始矢量大小明显不同;以及
在确定所述修改后矢量大小与所述初始矢量大小明显不同时,向优化器发送所述修改后矢量大小以便执行类似于所述查询计划树的后续查询计划树。
8.根据权利要求7所述的方法,其特征在于,根据所述收集到的处理单元计数器修改用于处理所述矢量化查询执行的矢量的所述矢量大小包括:
增大所述矢量大小,直至观察到超过预定阈值的过量缓存未命中;以及
在确定过量缓存未命中时,减小所述矢量大小以减少所述缓存未命中。
9.根据权利要求7所述的方法,其特征在于,根据所述收集到的处理单元计数器修改用于处理所述矢量化查询执行的矢量的所述矢量大小包括:
在检测到或者预期到多于可接受阈值的缓存未命中时,增大所述矢量大小;以及
在检测到或者预期到超过可接受阈值的失效指令时,减小所述矢量大小。
10.根据权利要求7所述的方法,其特征在于,还包括:
确定所述查询计划树是否包括少于预定数量的迭代器或片段;以及
在确定所述查询计划树包括少于预定数量的迭代器或片段时,跳过所述矢量大小修改。
11.根据权利要求7所述的方法,其特征在于,还包括:
在所述矢量化查询执行之前,在计划器处,生成用于查询的所述查询计划树;
将所述查询计划树分段成多个片段;以及
根据经验性公式或先前针对类似的查询计划、片段、硬件、或其组合确定并使用的矢量大小为每个所述片段计算出合适的初始矢量大小。
12.根据权利要求11所述的方法,其特征在于,还包括:
确定所述查询计划树是否包括少于预定数量的迭代器或片段;以及
在确定所述查询计划树包括少于预定数量的迭代器或片段时,跳过所述查询计划树分段和所述矢量大小计算。
13.根据权利要求11所述的方法,其特征在于,所述查询计划树包括多个流水线迭代器和非流水线迭代器,并且所述查询计划树在每个非流水线迭代器处进行分段。
14.根据权利要求13所述的方法,其特征在于,根据经验性公式计算合适的初始矢量大小包括:
将每迭代器内存占用率计算为至所述迭代器的输入数据大小、输出数据大小、处理大小、和开销的和;
将每片段内存占用率计算为所述片段的所有迭代器的内存占用率的和;
将用于所述矢量的最佳适合大小选择为所述每片段内存占用率与数据缓存大小之间的最小值;以及
将所述初始矢量大小选择为所述最佳适合大小与预定值之间的最小值以分摊每行成本开销。
15.一种用于针对矢量化查询执行的自适应矢量大小选择的装置,其特征在于,所述装置包括:
处理器;以及
存储用于由所述处理器执行的程序的计算机可读存储介质,所述程序包括用于执行以下操作的指令:
在用于查询计划树的矢量化查询执行期间在运行时间时收集处理器计数器,所述查询计划树包括多个片段;
向所述查询计划树的每个片段分配矢量大小;
根据所述收集到的处理器计数器修改用于处理所述矢量化查询执行的矢量的矢量大小;
在确定所述矢量化查询执行的令人满意的性能或者所述矢量化查询执行超时时,确定所述修改后矢量大小是否与在所述矢量化查询执行的开始时所使用的初始矢量大小明显不同;以及
在确定所述修改后矢量大小与所述初始矢量大小明显不同时,选择所述修改后矢量大小以开始执行类似于所述查询计划树的后续查询计划树。
16.根据权利要求15所述的装置,其特征在于,所述程序还包括用于执行以下操作的指令:
在所述矢量化查询执行之前生成用于查询的所述查询计划树;
将所述查询计划树分段成多个片段;以及
根据经验性公式或先前针对类似的查询计划、片段、硬件、或其组合确定并使用的矢量大小为每个所述片段计算出合适的初始矢量大小。
17.根据权利要求15所述的装置,其特征在于,所述处理器计数器包括用于至少一个数据缓存的缓存未命中计数器、末级缓存未命中计数器、失效指令计数器、以及处理器周期计数器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/798,680 | 2013-03-13 | ||
US13/798,680 US9436732B2 (en) | 2013-03-13 | 2013-03-13 | System and method for adaptive vector size selection for vectorized query execution |
PCT/CN2014/073286 WO2014139424A1 (en) | 2013-03-13 | 2014-03-12 | System and method for adaptive vector size selection for vectorized query execution |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105122239A CN105122239A (zh) | 2015-12-02 |
CN105122239B true CN105122239B (zh) | 2019-03-26 |
Family
ID=51533068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480012872.8A Active CN105122239B (zh) | 2013-03-13 | 2014-03-12 | 用于针对矢量化查询执行的自适应矢量大小选择的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9436732B2 (zh) |
CN (1) | CN105122239B (zh) |
WO (1) | WO2014139424A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11030045B2 (en) | 2015-07-28 | 2021-06-08 | Futurewei Technologies, Inc. | Apparatus and method for utilizing different data storage types to store primary and replicated database directories |
CN110069522A (zh) * | 2017-11-10 | 2019-07-30 | 阿里巴巴集团控股有限公司 | 数据查询方法和装置 |
CN110858203A (zh) * | 2018-08-07 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 向量化处理数据的方法及装置 |
KR20220098586A (ko) * | 2021-01-04 | 2022-07-12 | 삼성전자주식회사 | 사용자 평면 기능에서의 벡터 기반 패킷 처리 방법 및 장치 |
CN116028541B (zh) * | 2023-02-15 | 2023-06-20 | 山东浪潮科学研究院有限公司 | 一种数据向量化聚集方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739451A (zh) * | 2009-12-03 | 2010-06-16 | 南京航空航天大学 | 一种网格数据库连接查询自适应处理方法 |
CN102831139A (zh) * | 2011-03-25 | 2012-12-19 | 微软公司 | 用于查询计划优化以及数据并行编程模型的共同范围分区 |
CN102930003A (zh) * | 2012-10-24 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于优化数据库查询计划的系统及其方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5960428A (en) * | 1997-08-28 | 1999-09-28 | International Business Machines Corporation | Star/join query optimization |
EP1211611A1 (en) * | 2000-11-29 | 2002-06-05 | Lafayette Software Inc. | Methods of encoding and combining integer lists |
US20030158842A1 (en) * | 2002-02-21 | 2003-08-21 | Eliezer Levy | Adaptive acceleration of retrieval queries |
US7797342B2 (en) * | 2004-09-03 | 2010-09-14 | Sybase, Inc. | Database system providing encrypted column support for applications |
CA2519604C (en) * | 2005-06-23 | 2011-07-12 | Cognos Incorporated | Master-detail provider and method of providing master-detail functionality |
US8538981B2 (en) * | 2008-11-20 | 2013-09-17 | Sap Ag | Stream sharing for event data within an enterprise network |
US8898142B2 (en) * | 2009-01-29 | 2014-11-25 | Hewlett-Packard Development Company, L.P. | Risk-premium-based database-query optimization |
US20100306188A1 (en) * | 2009-06-01 | 2010-12-02 | Microsoft Corporation | Persistent query plans |
GB201008785D0 (en) * | 2009-12-18 | 2010-07-14 | Univ Gent | A counter architecture for online dvfs profitability estimation |
US9081501B2 (en) * | 2010-01-08 | 2015-07-14 | International Business Machines Corporation | Multi-petascale highly efficient parallel supercomputer |
US8886631B2 (en) | 2010-06-04 | 2014-11-11 | Yale University | Query execution systems and methods |
US8620945B2 (en) | 2010-09-23 | 2013-12-31 | Hewlett-Packard Development Company, L.P. | Query rewind mechanism for processing a continuous stream of data |
EP2724269B1 (en) * | 2011-06-27 | 2020-02-19 | Jethrodata Ltd. | System, method and data structure for fast loading, storing and access to huge data sets in real time |
-
2013
- 2013-03-13 US US13/798,680 patent/US9436732B2/en active Active
-
2014
- 2014-03-12 CN CN201480012872.8A patent/CN105122239B/zh active Active
- 2014-03-12 WO PCT/CN2014/073286 patent/WO2014139424A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739451A (zh) * | 2009-12-03 | 2010-06-16 | 南京航空航天大学 | 一种网格数据库连接查询自适应处理方法 |
CN102831139A (zh) * | 2011-03-25 | 2012-12-19 | 微软公司 | 用于查询计划优化以及数据并行编程模型的共同范围分区 |
CN102930003A (zh) * | 2012-10-24 | 2013-02-13 | 浙江图讯科技有限公司 | 一种用于优化数据库查询计划的系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US20140280031A1 (en) | 2014-09-18 |
CN105122239A (zh) | 2015-12-02 |
WO2014139424A1 (en) | 2014-09-18 |
US9436732B2 (en) | 2016-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105122239B (zh) | 用于针对矢量化查询执行的自适应矢量大小选择的系统和方法 | |
US9043647B2 (en) | Fault detection and localization in data centers | |
US9460154B2 (en) | Dynamic parallel aggregation with hybrid batch flushing | |
US9449283B1 (en) | Selecting a training strategy for training a machine learning model | |
US9608880B1 (en) | Systems and methods for real-time performance monitoring | |
CN109787960B (zh) | 异常流量数据识别方法、装置、介质及电子设备 | |
WO2020043267A1 (en) | Device and method for anomaly detection on an input stream of events | |
US9330160B2 (en) | Software application complexity analysis | |
US10180970B2 (en) | Data processing method and data processing apparatus | |
US10917426B2 (en) | Method and device for determining data anomaly | |
CN110838031A (zh) | 一种基于ABtest的数据运营方法和装置 | |
US10635078B2 (en) | Simulation system, simulation method, and simulation program | |
CN116776155B (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
US9609054B2 (en) | Load balancing scalable storage utilizing optimization modules | |
CN106201839A (zh) | 一种业务对象的信息加载方法和装置 | |
US20140181174A1 (en) | Distributed processing of stream data on an event protocol | |
CN113014674B (zh) | 服务依赖关系图的绘制方法及装置 | |
CN112162762B (zh) | 灰度发布方法、灰度发布装置和电子设备 | |
CN116186629B (zh) | 基于个性化联邦学习的金融客户分类及预测方法、装置 | |
Gupta et al. | An approach for optimizing the performance for apache spark applications | |
US20140379892A1 (en) | Sorted event monitoring by context partition | |
US11588728B2 (en) | Tree structure-based smart inter-computing routing model | |
CN110909085A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110334049A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
Smrithy et al. | A statistical technique for online anomaly detection for big data streams in cloud collaborative environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |