[論文レビュー] gSMat: A Scalable Sparse Matrix-based Join for SPARQL Query Processing

Xiaowang Zhang, Mingyue Zhang+4 more|arXiv (Cornell University)|Jul 20, 2018

Graph Theory and Algorithms参考文献 33被引用数 4

ひとこと要約

本稿では、大規模なRDFデータセットにおけるSPARQLクエリ処理のためのスケーラブルなスパース行列ベースのアプローチ、gSMatを提案する。RDFデータを各述語ごとにスパース行列としてモデル化し、結合演算に行列積を活用することで、高い効率性とスケーラビリティを達成する。実世界のデータセットにおいて、gStoreに対して最大114倍、RDF-3Xに対して最大53倍の高速化を達成しており、特にCUDAを用いたGPUアクセラレーションにより顕著な性能向上を実現している。

ABSTRACT

Resource Description Framework (RDF) has been widely used to represent information on the web, while SPARQL is a standard query language to manipulate RDF data. Given a SPARQL query, there often exist many joins which are the bottlenecks of efficiency of query processing. Besides, the real RDF datasets often reveal strong data sparsity, which indicates that a resource often only relates to a few resources even the number of total resources is large. In this paper, we propose a sparse matrix-based (SM-based) SPARQL query processing approach over RDF datasets which con- siders both join optimization and data sparsity. Firstly, we present a SM-based storage for RDF datasets to lift the storage efficiency, where valid edges are stored only, and then introduce a predicate- based hash index on the storage. Secondly, we develop a scalable SM-based join algorithm for SPARQL query processing. Finally, we analyze the overall cost by accumulating all intermediate results and design a query plan generated algorithm. Besides, we extend our SM-based join algorithm on GPU for parallelizing SPARQL query processing. We have evaluated our approach compared with the state-of-the-art RDF engines over benchmark RDF datasets and the experimental results show that our proposal can significantly improve SPARQL query processing with high scalability.

研究の動機と目的

• 大規模かつスパースなRDFデータに対する効率的でない結合処理が引き起こすパフォーマンスボトルネックを解消すること。
• 実世界のRDFデータセット（例：DBpedia、YAGO）に内在するスパース性を活用し、よりコンactかつ効率的なストレージモデルを設計すること。
• データのスパース性を活かした行列ベースの結合アルゴリズムを設計し、効率的なクエリ実行を可能にする。
• 中間結果のサイズを推定するコスト推定に基づいたクエリ実行計画最適化によりパフォーマンスを向上させること。
• 大規模ワークロードにおけるさらなるスケーラビリティとパフォーマンス向上を実現するため、GPUアクセラレーションへの拡張を図ること。

提案手法

• 各RDFの述語をスパース行列として表現し、非ゼロ（有効）エッジのみを格納することで、データのスパース性を活用し、ストレージオーバーヘッドを低減する。
• スパース行列ストレージに述語ベースのハッシュインデックスを適用し、アクセスおよび結合処理の高速化を図る。
• SPARQLの基本グラフパターン（BGPs）を、各三項パターンが行列に対応する一連のスパース行列積としてモデル化する。
• 行列積を用いて関係間のネイティブジョインを計算し、行列要素ごとの細粒度の並列処理を可能にする。
• 中間結果サイズの推定に基づいたコストに基づくクエリ計画生成器を設計し、全体の実行コストを最小化する最適な結合順序を選択する。
• CUDAを用いたGPU最適化実装により、行列積の並列化を実現し、現代のハードウェア上でクエリ処理を高速化する。

実験結果

リサーチクエスチョン

• RQ1 スパース行列表現を効果的に活用することで、高効率なストレージとクエリ効率を実現する大規模かつスパースなRDFデータセットのモデル化と格納が可能か？
• RQ2 スパース行列上での行列積演算が、SPARQLクエリ処理における従来の結合アルゴリズムの代替手段としてスケーラブルかつ効率的であるか？
• RQ3 中間結果の推定に基づくコストベースのクエリ最適化の統合が、SPARQLクエリ実行のパフォーマンスにどのように寄与するか？
• RQ4 GPUアクセラレーションが、大規模なRDFワークロードにおけるスパース行列ベースのSPARQL結合処理のパフォーマンスにどの程度向上をもたらすか？
• RQ5 実世界のデータセットにおいて、gStore や RDF-3X といった最先端のRDFシステムと比較して、提案されたgSMatアプローチはパフォーマンスとスケーラビリティにおいてどの程度優れているか？

主な発見

• ベンチマークデータセット（5億トリプル）において、gSMatはgStoreに対して最大114倍、RDF-3Xに対して最大11.3倍の高速化を達成した。
• 実世界のデータセットでは、gSMatは複雑なSPARQLクエリに対してgStoreに対して最大46.4倍、RDF-3Xに対して最大33.6倍の高速化を実現した。
• GPUアクセラレーテッド版であるgSMat+は、ベンチマークデータにおいてgStoreに対して最大128.8倍、RDF-3Xに対して最大16.13倍の高速化を達成した。
• 実データセットでは、gSMat+はgStoreに対して最大78.9倍、RDF-3Xに対して最大53.0倍の高速化を達成し、生産ワークロードにおける強力なスケーラビリティを示した。
• コストベースのクエリ計画生成器により、中間結果サイズが顕著に削減され、ナードな結合順序と比較してより効率的な実行計画が得られた。
• スパース行列ベースのストレージはメモリフットプリントを低減し、効率的かつハイパラレル化可能な計算を可能にし、大規模なRDFデータ処理に非常に適している。