Robust and adaptive query processing in hybrid transactional/analytical database systems. - Ilmenau : Universitätsbibliothek, 2018. - 1 Online-Ressource (xiii, 173 Seiten)
Technische Universität Ilmenau, Dissertation 2018
Die Qualität von Anfrageausführungsplänen in Datenbank Systemen bestimmt, wie schnell eine Anfrage verarbeitet werden kann. Aufgrund von Fehlern in der Kardinalitätsschätzung können konventionelle Anfrageoptimierer immer noch sub-optimale oder sogar schlechte Anfrageausführungsplänen auswählen. In dieser Arbeit behandeln wir Einschränkungen und ungelöste Probleme robuster und adaptiver Anfrageverarbeitung, um die Erkennung und den Ausgleich sub-optimaler Anfrageausführungspläne zu verbessern. Wir zeigen, dass bestehende Heuristiken nicht entscheiden können, für welche Kardinalitäten ein Anfrageausführungsplan optimal ist, und stellen einen Algorithmus vor, der präzise Optimalitätsbereiche berechnen kann. Der Ausgleich von sub-optimalen Anfrageausführungsplänen ist ein ergänzendes Problem. Wir beschreiben Metriken, welche die Robustheit von Anfrageausführungsplänen gegenüber Fehlern in der Kardinalitätsschätzung quantifizieren können. Unsere robuste Planauswahlstrategie, die auf Robustheitsmetriken aufbaut, kann Pläne finden, die bei Fehlern in der Kardinalitätsschätzung bis zu 3.49x schneller sind als die geschätzt günstigsten Pläne. Des Weiteren stellen wir einen adaptiven Anfrageverarbeiter vor, der sub-optimale Anfrageausführungspläne ausgleichen kann. Er erfasst die wahren Kardinalitäten von Zwischenergebnissen während der Anfrageausführung, um damit die aktuell laufende Anfrage zu re-optimieren. Wir zeigen, dass der gesamte Aufwand für Re-Optimierungen und Planänderungen einer initialen Optimierung entspricht. Unser adaptiver Anfrageverarbeiter kann Anfragen bis zu 5.19x schneller ausführen als ein konventioneller Anfrageverarbeiter.
https://www.db-thueringen.de/receive/dbt_mods_00038096
Data management on non-volatile memory: a perspective. - In: Datenbank-Spektrum, ISSN 1610-1995, Bd. 18 (2018), 3, S. 171-182
https://doi.org/10.1007/s13222-018-0301-1
Cost-based sharing and recycling of (intermediate) results in dataflow programs. - In: Advances in databases and information systems, (2018), S. 185-199
https://doi.org/10.1007/978-3-319-98398-1_13
Robustness metrics for relational query execution plans. - In: Proceedings of the VLDB Endowment, ISSN 2150-8097, Bd. 11 (2018), 11, S. 1360-1372
https://doi.org/10.14778/3236187.3236191
An NVM-aware storage layout for analytical workloads. - In: IEEE 34th International Conference on Data Engineering workshops, ISBN 978-1-5386-6306-6, (2018), S. 110-115
https://doi.org/10.1109/ICDEW.2018.00025
Bericht zum Fachgruppentreffen 1./2. März 2018. - In: Datenbank-Spektrum, ISSN 1610-1995, Bd. 18 (2018), 2, S. 129-131
https://doi.org/10.1007/s13222-018-0284-y
Big Data semantics. - In: Journal on data semantics, ISSN 1861-2040, Bd. 7 (2018), 2, S. 65-85
https://doi.org/10.1007/s13740-018-0086-2
Joins in a heterogeneous memory hierarchy: exploiting high-bandwidth memory. - In: Proceedings of the 14th International Workshop on Data Management on New Hardware, (2018), article no. 8, 10 Seiten
https://doi.org/10.1145/3211922.3211929
Computer verstehen unsere Sprache - wie funktionieren Siri, Alexa und Co?. - In: Kinderuni Ilmenau 2017, (2017)
GPU-GIST - a case of generalized database indexing on modern hardware. - In: Information technology, ISSN 2196-7032, Bd. 59 (2017), 3, S. 141-149
https://doi.org/10.1515/itit-2016-0047