Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques - TEL - Thèses en ligne Access content directly
Theses Year : 2021

Auditing Energy – Before Deploying Models : Towards Green Optimizers of Analytical Queries

Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques

Abstract

In today’s world, we rely heavily on digital equipment for work, entertainment and social purposes. Therefore,we are obliged to seek all means to save the energy consumed by their hardware components, software, as well as the applications they use. Database management systems (DBMS) are becoming energy sinkholes due to the massive explosion of data they must collect, process and store. The query processor is one of the most energy intensive components of the DBMS. Its role is to efficiently process queries. Given the volume of data and the complexity of the analytical queries, the study of the energy efficiency of this component is undoubtedly becoming a crucial and urgent issue. This importance was widely underlined in the Claremont report and co-signed by around thirty researchers, experts and architects of the database world. This point is then echoed in Beckman’s report which places energy efficiency as a challenge to be addressed in the field of massive data. The majority of actual query optimizers are designed to minimize input-output (IO) operations and try to exploit main memory (RAM) as much as possible. As a result, they generally ignore the energy aspects. In this thesis, to optimize the energy consumed by a DBMS, we propose a software-oriented approach that we call Energy Audit - Before Deployment, allowing the design of less energy-consuming query processors. This approach consists of five main steps: (1) audit of query processor components in order to understand its operation and determine its energy-sensitive parameters. (2) Development of a state of the art on existing solutions with the dual purpose of (i) providing a roadmap for designers and students to understand energy efficiency issues in the database world and (ii) assisting in the development of energy models. (3) Query processors energy modeling, this modeling is achieved by defining mathematical cost models dedicated to estimate the energy consumption of the system during queries execution. (4) Using deep machine learning techniques to identify values of energy-sensitive parameters belonging to both hardware and software components. To apply our approach, we have chosen three open-source data processing systems, two of which are disk oriented:PostgreSQL (a row storage system) and MonetDB (a column storage system) and a main memory oriented Hyrise (a hybrid storage system). We then validate our approach using a series of experiments using data from several benchmarks (TPC-H, TPC-DS and SSB) and an apparatus to capture energy (Watts
Dans le monde d’aujourd’hui, nous dépendons énormément des équipements numériques pour le travail, le divertissement et le social. Par conséquent, nous sommes obligés de chercher tous les moyens pour économiser l’énergie consommée par leurs composants matériels, logiciels, ainsi que les applications qu’ils utilisent. Les systèmes de gestion de bases de données (SGBDs) deviennent des gouffres énergétiques à cause de l’explosion massive des données qu’ils doivent collecter, traiter et stocker. Le processeur des requêtes constitue l’un des composants le plus énergivore des SGBDs. Il a pour rôle de traiter d’une manière efficace les requêtes. Vu le volume des données et la complexité des requêtes d’analyse, l’étude de l’efficacité énergétique de ce composant devient sans aucun doute une question cruciale et urgente. Cette importance a été largement soulignée dans le rapport de Claremont et cosignée par environ une trentaine de chercheurs, experts, architectes du monde de base de données. Ce point est ensuite repris dans le rapport de Beckman qui place l’efficacité énergétique comme un défi à relever dans le domaine des données massives. La majorité des optimiseurs des requêtes actuels sont conçus pour minimiser les opérations d’entrées-sorties et essayent d’exploiter la RAM autant que possible. En conséquence, ils ignorent généralement les aspects énergétiques. Dans cette thèse, pour optimiser l’énergie consommée par un SGBD, nous proposons une approche orientée logicielle que nous baptisons Auditer l’Énergie – Avant de Déployer, permettant de concevoir des processeurs de requêtes moins énergivores. Cette approche se décline en cinq étapes principales: (1) Audit des composants des processeurs de requêtes afin de comprendre son fonctionnement et déterminer ses paramètres sensibles à l’énergie. (2) Élaboration d’un état de l’art sur les solutions existantes dont l’objectif est double: (i) fournir une feuille de route pour les concepteurs et les étudiants qui souhaitent comprendre les questions liées à l’efficacité énergique dans le monde des bases de données et (ii) aider au développement des modèles énergétiques. (3) Modélisation de l’énergie des processeurs de requêtes. Cette modélisation est réalisée par la définition des modèles de coût mathématique dédiés à estimer la consommation énergétique du système lors de l’exécution des requêtes. (4) Utilisation des techniques d’apprentissage automatique profond pour identifier les valeurs des paramètres sensibles à l’énergie appartenant à la fois aux composants matériels et logiciels. Pour appliquer notre approche, nous avons choisi trois systèmes de traitement des données libres dont deux sont orientés disque: PostgreSQL, MonetDB et Hyrise.(5) Déploiement des modèles validés dans les trois SGBDs pour des études d’estimation et d’optimisation énergétique.

Keywords

Domains

Other [cs.OH]
Fichier principal
Vignette du fichier
2021ESMA0009_dembele.pdf (2.78 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-03361382 , version 1 (01-10-2021)

Identifiers

  • HAL Id : tel-03361382 , version 1

Cite

Simon Pierre Dembele. Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques. Autre [cs.OH]. ISAE-ENSMA Ecole Nationale Supérieure de Mécanique et d'Aérotechique - Poitiers, 2021. Français. ⟨NNT : 2021ESMA0009⟩. ⟨tel-03361382⟩
214 View
337 Download

Share

Gmail Facebook X LinkedIn More