FPGA-based Query Acceleration for Non-Relational Databases

Datenbanksysteme sind essenzieller Teil unseres heutigen Alltags. Trends wie Smarte Anwendungen, das Internet der Dinge und gewerbliche und soziale Netzwerke benötigen Anwendungen, die effizient mit Daten in verschiedenen, domänenspezifischen Datenmodellen arbeiten können. Deswegen stellen nicht-relationale Datenbanksysteme eine breite Vielfalt an Datenmodellen, wie zum Beispiel Graphen und Dokumente, zur Verfügung. Jedoch stehen nicht-relationale Datenbanksysteme wegen des Endes des Dennard Scaling und damit der Performanceskalierung von CPUs vor Performanceherausforderungen. Gleichzeitig haben sich FPGAs als Beschleuniger für Datenmanagement etabliert.

Unser Ziel für diese Doktorarbeit ist es diese Performanceherausforderungen von nicht-relationalen Datenbanksystemen mit Hilfe von FPGAs als Beschleuniger zu lösen und gleichzeitig Designherausforderungen von FPGA-Beschleunigung zu adressieren. Diese Doktorarbeit ist in zwei Hauptarbeitsstränge aufgeteilt: Graphverarbeitung und flexible Datenverarbeitung.

Wegen der mangelhaften Benchmarkmethoden für Graph Processing Beschleuniger präsentieren wir GraphSim. GraphSim kann Laufzeiten von diesen Beschleunigern basierend auf einem Speicherzugriffsmodell des Ansatzes reproduzieren. Mit Hilfe dieser Simulationsumgebung haben wir drei für die Performance kritische Beschleunigereigenschaften identifiziert: Asynchrone Graphverarbeitung, eine komprimierte Graphdatenstruktur, und Multi-channel Speicher. Weil diese Beschleunigereigenschaften noch nie in einem System kombiniert wurden, präsentieren wir GraphScale. GraphScale ist der erste, skalierbare, asynchrone Graph Processing Beschleuniger der auf einer komprimierten Graphdatenstruktur arbeitet. GraphScale übertrifft die Performance aller anderen State of the Art Graph Processing Beschleuniger.

Auf die Flexibilität von Beschleunigern fokussiert, präsentieren wir PipeJSON als den ersten FPGA-basierten JSON Parser für JSON Dokumente mit beliebiger Struktur. PipeJSON kann mit Line-Speed parsen und übertrifft damit die schnellsten, vektorisierten Parser für CPUs. Zuletzt präsentieren wir den Subgraph Query Processing Beschleuniger GraphMatch, welcher alle State of the Art CPU-basierten Systeme übertrifft und den Subgraph Query flexibel innerhalb weniger Taktzyklen ändern kann.