DimmWitted：主存统计分析研究
数据库
2014-07-08 v3 机器学习
最优化与控制
机器学习
摘要
我们首次研究了访问方法和复制策略的权衡空间，以支持在非统一内存访问 (NUMA) 机器的主存中执行基于一阶方法的统计分析。统计分析系统与传统 SQL 分析系统在所能容忍的内存不一致性的数量和类型上存在差异。我们的目标是理解按行序或列序访问数据的权衡，以及统计任务中共享模型和数据的粒度。我们研究了这一新的权衡空间，并发现硬件效率与统计效率之间存在权衡。我们认为，我们的权衡研究可为分析引擎设计者提供有价值的信息：对于我们考虑的每个系统，我们的原型引擎运行至少一项流行任务的速度可快至少 100 倍。我们在五种架构上开展了这项研究，使用了包括支持向量机 (SVM)、逻辑回归、吉布斯采样和神经网络在内的流行模型。
引用
@article{arxiv.1403.7550,
title = {DimmWitted: A Study of Main-Memory Statistical Analytics},
author = {Ce Zhang and Christopher Ré},
journal= {arXiv preprint arXiv:1403.7550},
year = {2014}
}