Steffen Kläbe gewinnt das beste Papier auf der EDBT/ICDT-Konferenz 2023

Steffen gewinnt bestes Papier der Konferenz

Zusammenfassung

Steffen Kläbe, Forschungsingenieur bei Actian, wurde auf der gemeinsamen EDBT/ICDT-Konferenz 2023 in Griechenland mit dem Preis für die beste wissenschaftliche Arbeit ausgezeichnet.
Seine preisgekrönte Forschung zum „Patched Multi-Key Partitioning“ bildet die Datenpartitionierung auf ein Graphproblem ab, um abfragen robuste abfragen zu erzielen.
Die vorgeschlagene Partitionierungsmethode vermeidet komplexe Datenreplikation und verbessert gleichzeitig Beständigkeit großen analytischen Datenbanktabellen erheblich.
In einem zweiten vorgestellten Beitrag wurden „ModelJoin“-Techniken untersucht, mit denen sichMaschinelles Lernen nahtlos direkt in Datenbank-Engines einbetten .

Wir möchten Steffen Kläbe, Forschungsingenieur bei Actian in Ilmenau (Thüringen, Deutschland), besonders hervorheben. Er nahm an der gemeinsamen EDBT/ICDT-Konferenz 2023 in Griechenland teil, einer der weltweit führenden Datenbankkonferenzen, auf der er zwei Forschungsarbeiten vorstellte. Für seine Forschung zum Thema „Patched Multi-Key Partitioning for Robust Query Performance“ erhielt er den Preis für die beste Arbeit. In der Forschungsgemeinschaft gilt diese Auszeichnung als großer Erfolg.

Die Zusammenfassung ansehen:

„Die Datenpartitionierung ist der Schlüssel zur parallelen abfragen in modernen analytischen Datenbanksystemen. Die Wahl des richtigen Partitionierungsschlüssels für einen bestimmten Datensatz eine schwierige Aufgabe entscheidend für abfragen . reale Daten enthalten eine große Anzahl von Tabellen, die in komplexen Schemata miteinander verbunden sind, was zu einer überwältigenden Anzahl von Partitionierungsschlüsselkandidaten führt. In diesem Beitrag stellen wir den Ansatz der „Patched Multi-Key Partitioning“ vor, der die gleichzeitige Definition mehrerer Partitionierungsschlüssel ohne Datenreplikation ermöglicht. Die Kernidee besteht darin, das Problem der Partitionierung relationaler Tabellen auf ein Graphpartitionierungsproblem abzubilden, um mithilfe bestehender Graphpartitionierungsalgorithmen Konnektivitätskomponenten in den Daten zu ermitteln und Ausnahmen (Patches) zur Partitionierung separat zu verwalten. Wir zeigen, dass die „Patched Multi-Key Partitioning“-Methode Möglichkeiten zur Erzielung abfragen robusten abfragen bietet, d. h., dass für viele Abfragen eine angemessen gute Leistung erreicht wird, anstatt nur für wenige Abfragen eine optimale Leistung.“

Kläbe's zusätzliches Papier Erforschung von Ansätzen für datenbankinterne ML befasst sich mit der zunehmenden Bedeutung der Integration von ML-Modellen in spezialisierte Rahmenwerke für Klassifizierung oder Vorhersage.

Die Zusammenfassung ansehen:

„Datenbanksysteme werden nicht mehr nur zur Speicherung einfach strukturierter Daten und für grundlegende Analysen genutzt. Eine zunehmend wichtige Rolle spielt auch die Integration von ML-Modellen, z. B. neuronalen Netzen, mithilfe spezialisierter Frameworks sowie deren Einsatz zur Klassifizierung oder Vorhersage. Die Anwendung solcher Modelle auf Daten, die in einem Datenbanksystem gespeichert sind, kann jedoch erfordern, dass die Daten heruntergeladen und die Berechnungen extern durchgeführt werden. In diesem Beitrag bewerten wir Ansätze zur Integration des ML-Inferenzschritts als speziellen abfragen – den ModelJoin. Wir untersuchen verschiedene Optionen für diese Integration auf unterschiedlichen Abstraktionsebenen: die relationale Darstellung der Modelle sowie SQL-Abfragen für die Inferenz, die Verwendung von Nutzer Defined Functions (UDFs), die Nutzung von APIs zu bestehenden ML-Laufzeitumgebungen und eine native Implementierung des ModelJoin als abfragen , der sowohl die Ausführung CPU auf der GPU unterstützt. Unsere Evaluierungsergebnisse zeigen, dass die Integration von ML-Laufzeitumgebungen über APIs eine ähnliche Leistung wie ein nativer Operator erbringt und gleichzeitig generisch genug ist, um beliebige Modelltypen zu unterstützen. Die Lösung mit relationaler Darstellung und SQL-Abfragen ist am portabelsten und funktioniert gut für kleinere Eingaben, ohne dass Änderungen an der Datenbank-Engine erforderlich sind.“

Herzlichen Glückwunsch, Steffan! Wir freuen uns darauf, in Zukunft noch mehr von deinen Siegen und deiner Forschung zu sehen.

Über den Autor