prefetch相关论文阅读笔记

最新推荐文章于 2024-11-25 00:01:37 发布

原创

最新推荐文章于 2024-11-25 00:01:37 发布 · 527 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #自然语言处理 #神经网络 #数据库

本文探讨了两篇关于数据预取的论文，其中一篇利用机器学习技术改进数据库系统的预取策略，提出了访问模式分类和神经网络模型。另一篇则是在传统预取策略基础上，提出层次神经模型，解决地址空间稀疏问题并考虑多义性问题，同时对预取标签的定义进行了深入讨论。

prefetch相关论文阅读笔记

论文1. Revisiting Data Prefetching for Database Systems with Machine Learning Techniques（2021）

本文认为访问模式（access pattern）只有三种：(1) locality within a transaction, (2) random access by transactions and (3) sequential accesses by long queries。以本文的观点，是不存在事件之间的联系的，因此下文机器学习模型的训练和预测都是以事件为单位。这三种访问模式是否涵盖全面可以思考一下。
本文对于机器学习预取模型的功能描述是：输入前N-1个访问的页，模型能够预测第N个访问的页。
文章提出的思路被概括为如下几个步骤：数据准备，输入转换，表示学习和预测。
数据准备就是把访问序列按照transaction分割好，作为训练输入。
由于页的地址空间很大，用地址直接表示页会存在表示稀疏问题，于是地址被划分为许多个extent单元，访问序列中的每一个页用如下方式表示：页所在的extent号，和页在extent内的地址，这样大大缩小了表示空间，这就是输入转换。
表示学习就是神经网络出场的步骤。这里神经网络的结构是embedding层+DNN/1d-CNN/RNN/LSTM+全连接（维度转换）+softmax（-> 输出）。输入为一个一定长度的访问序列，输出为一个长度为N+M的向量，N是extent的数目，M是一个extent内含有的页的数目，所以向量前N项的值代表接下来要访问的页位于各个e