1. 研究目的与意义（文献综述）

1 课题来源、目的、意义以及国内外研究

1.1 课题来源

本课题结合当今gpu内存数据库并发查询的数据传输速度慢，执行并行度低的现状而设计。
1.2 研究目的及意义
1.2.1 研究目的
与cpu相比，通用计算图形处理器（gpgpu）具有大量的计算核心，其强大的并行处理能力被应用于各个领域。在数据库领域，高效处理sql查询语句是很重要的研究课题，因而如何利用gpu的高性能并行计算能力来加速查询语句成为了研究的热点[4, 5]。
1.2.2 研究意义
近年来，由于物理工艺的限制，cpu的单核计算性能已经接近瓶颈，摩尔定律也渐失效，无法单纯通过提升频率提高计算性能。然而在当今大数据的时代背景下，需要处理的数据量高速增长，呈现4v特征，即数据体积量大（volume），数据类型变化范围广（variety），数据新增速度快（velocity）以及具有巨大的价值（value）。这些新的数据特征使得cpu的单核处理性能难以应对日益增长的数据处理需求。
gpu加速计算是指同时利用图形处理器 (gpu)和cpu，加快科学、分析、工程、消费和企业应用程序的运行速度。gpu能将应用程序计算密集部分的工作负载转移到gpu，同时仍由cpu运行其余程序代码。gpu 则拥有一个由数以千计的更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构，可以很好提高并行计算能力。
如何应用gpu强大的计算能力到sql语句查询优化当中是当今数据库领域的一项重要课题[9]。通过将计算密集型的查询任务分担至gpu上，可以极大的提升数据处理的能力，方便对数据进行后续研究。
1.2 国内外的研究现状
由于gpu强大的性能，并且数据库的条件查询和哈希连接工作均适合于gpu的向量计算模型处理，因此近年来有一系列关于gpu数据库的研究工作。
1.2.1 gpu加速的数据库操作
govindaraju等人[10]利用cpu的单指令多数据（simd）能力，将连接选择、聚合等计算密集型的关系型代数操作实现成gpu kernel，与优化过的cpu版本相比，计算性能得到了显著的提升。govindaraju等人[11]实现的gputerasort算法利用gpu进行大量数据库记录的键值排序操作，达到了当时60gb数据的最高性价比。b.he等人[12]利用gpu的随机内存地址写入、高效进程间通讯等最新特性，设计并实现了新的关系型数据库join算法，与优化过的cpu版本相比带来了2-7倍的性能提升。t.kaldewey等人[13]提出并论证了gpu数据库受限于gpu内存，并利用当时最新的nvidia gpu能够在cpu和gpu间统一地址空间的特性，有效提升了gpu能处理的最大数据上限。b.he等人[14]实现的gputx原型利用gpu处理数据库事务，达到了cpu版本4-10倍吞吐量的优化效果。
1.2.2 gpu数据库系统
上述工作均利用gpu对内存数据库的各种操作进行了加速，并取得了较好的研究结果。除此之外，还存在不少从数据库系统的角度对gpu数据库进行研究于分析的课题。针对系统的整体设计，s.bress [15]设计并实现了一个cpu-gpu混合的查询处理引擎，能根据查询自动生成cpu和gpu代码来完成查询任务。bakkum等人的工作支持了sqlite的一个子集操作在gpu上的加速[3]。y.yuan等人总结了先前的工作，实现了针对分析型任务的功能较为完善的ydb数据库系统[1]。该研究工作通过实证和分析，明确了gpu数据库系统的几个关键的性能瓶颈，其中最主要的是pcie总线数据传输，为后续工作提供了前提和基础。
基于ydb的系统框架，k.wang等人实现了multiqx-gpu系统[2]，multiqx-gpu系统通过在查询间共享gpu资源的机制，支持了并发查询请求，在并发查询请跨下能提升55%的查询任务处理吞吐量。在ydb系统中，每个sql语句会被编译成一个包含cpu和gpu部分的可执行程序，利用cuda runtime apu调用gpu完成查询任务的计算。为了支持并发查询的执行，mutiqx-gpu采用了动态链接库的方式，将进程间的协作功能实现了一个单独的动态链接库，利用ld_preload环境变量进行预加载，从而拦截了查询任务中发起cuda runtime api调用。不同查询任务中的cuda context会被gpu的分时调度器进行调度，意味着不同的查询任务可以同时使用gpu的pcie带宽和计算资源，从而提升并发效率。

2. 研究的基本内容与方案

2 研究内容与方法
2.1 研究内容
由于物理工艺的限制，近年来cpu的单核性能已经难以得到大幅提升。

然而，在大数据时代数据量快速增长，这使得cpu越来越难以应对日益增长的数据处理需求。

与此同时，随着通用图形处理器（gpgpu）计算技术的流行，利用gpu的并行计算能力来优化查询执行的性能成为数据库方向的研究热点。

3. 研究计划与安排

3 进度安排
(1) 2019/1/14—2019/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；
(2) 2019/3/1—2019/4/30：系统架构、程序设计与开发、系统测试与完善；
(3) 2019/5/1—2019/5/25：撰写及修改毕业论文；
(4) 2019/5/26—2019/6/5：准备答辩。

4. 参考文献（12篇以上）

[1] Y Yuan， R Lee， X Zhang. The Yin and Yang of processing data warehousing queries on GPU devices[J]. Proc. VLDB Endow.， 2013， 6(10): 817–828.
[2] Wang K， Zhang K， Yuan Y， et al. Concurrent analytical query processing with GPUs[J]. Proc. VLDB Endow.， 2014， 7(11): 1011-1022.
[3] Peter B， Kevin S. Accelerating SQL database operations on a GPU with CUDA[C]. Proceedings of the 3rd Workshop on General-Purpose Computation on Graphics Processing Units. ACM， 2010: 94-103.
[4] Heimel M， Michael S， Holger P， Stefan M， Volker M. Hardware-oblivious parallelism for in-memory column-stores[C]. Proceedings of the VLDB Endowment 6.9 (2013): 709-720.
[5] Naga K. G， Brandon L， Wei W， Ming L， Dinesh Manocha. Fast computation of database operations using graphics processors[C]. In SIGMOD， 2004: p206.
[6] 李逸龙， 张凯， 何震瀛， 王晓阳. 基于GPU数据库系统的并发查询性能优化[J]. 计算机应用与软件. 2018(08).
[7] https://docs.nvidia.com/cuda/cuda-c-programming-guide
[8] https://zh.wikipedia.org/zh/CUDA
[9] Peter Bakkum, Kevin Skadron. Accelerating SQL database operations on a GPU with CUDA[C]//Proceedings of the 3rd Workshop on General-Purpose Computation on Graphics Processing Units. ACM, 2010: 94-103.
[10] Naga K. Govindaraju, Brandon Lloyd, Wei Wang, Ming Lin, Dinesh Manocha. Fast computation of database operations using graphics processors[C]//In SIGMOD, 2004: p206.
[11] Naga Govindaraju, Jim Gray, Ritesh Kumar, and Dinesh Manocha. GPUTeraSort: High performance graphics co-processor sorting for large database management[C]//In SIGMOD, 2006: 325-336.
[12] Bingsheng He, Ke Yang, Rui Fang, Mian Lu, Naga Govindaraju, Qiong Luo, Pedro Sander. Relational joins on graphics processors[C]//In SIGMOD, 2008: 511-524.
[13] Tim Kaldewey, Guy Lohman, Rene Mueller, Peter Volk. GPU join processing revisited[C]// In DaMoN, 2012: 55-62.
[14] Bingsheng He, Jeffrey Xu Yu. High-throughput transaction executions on graphics processors[C]//Proceedings of the VLDB Endowment 4.5 (2011): 314-325.
[15] S. Bress. Why it is time for a HyPE: A hybrid query processing engine for efficient GPU coprocessing in DBMS[C]//Proceedings of the VLDB Endowment 6.12 (2013): 1398-1403.