[논문 리뷰] MapSQ: A MapReduce-based Framework for SPARQL Queries on GPU

Jiaying Feng, Xiaowang Zhang외 1명|arXiv (Cornell University)|2017. 02. 12.

Semantic Web and Ontologies참고 문헌 4인용 수 6

한 줄 요약

MapSQ는 대규모 RDF 데이터셋에서 효율적인 SPARQL 쿼리 처리를 위한 GPU 가속, MapReduce 기반 프레임워크이다. MapReduce 스타일 조인과 CPU-GPU 공처리 모델을 활용하여, gStore 및 gStoreD와 같은 CPU 기반 엔진 대비 최대 50%의 성능 향상을 달성한다.

ABSTRACT

In this paper, we present a MapReduce-based framework for evaluating SPARQL queries on GPU (named MapSQ) to large-scale RDF datesets efficiently by applying both high performance. Firstly, we develop a MapReduce-based Join algorithm to handle SPARQL queries in a parallel way. Secondly, we present a coprocessing strategy to manage the process of evaluating queries where CPU is used to assigns subqueries and GPU is used to compute the join of subqueries. Finally, we implement our proposed framework and evaluate our proposal by comparing with two popular and latest SPARQL query engines gStore and gStoreD on the LUBM benchmark. The experiments demonstrate that our proposal MapSQ is highly efficient and effective (up to 50% speedup).

연구 동기 및 목표

• CPU 전용 아키텍처에서 대규모 SPARQL 쿼리 처리의 성능 저하 문제를 해결한다.
• GPU 병렬 처리를 활용하여 SPARQL 쿼리 평가의 계산 비용이 높은 조인 연산을 가속화한다.
• CPU는 쿼리 분해를 관리하고 GPU는 결과 조인을 가속화하는 하이브리드 CPU-GPU 아키텍처를 설계한다.
• 현대의 이종 컴퓨팅을 활용하여 대규모 RDF 워크로드에 대한 SPARQL 쿼리 처리의 효율성과 확장성을 향상시킨다.

제안 방법

• GPU에서 MapReduce 기반 조인 알고리즘을 설계하여 SPARQL 삼중항 패턴의 중간 결과를 병렬로 처리한다.
• Map 단계에서 플래그 기반 레이블링(LEFT/RIGHT)을 사용하여 Reduce 단계에서의 중복 제거를 효율적으로 구현한다.
• CPU가 서브쿼리를 디스패치하고 GPU가 GPU 최적화된 MapReduce를 사용하여 조인 연산을 수행하는 공처리 전략을 구현한다.
• RDF 저장 및 초기 부분 매칭을 위한 백엔드 엔진으로 gStore 및 gStoreD와 프레임워크를 통합한다.
• 조인 처리 중 카티esian 곱 연산을 가속화하기 위해 GPU의 Single Instruction Multiple Data (SIMD) 아키텍처를 적용한다.
• 프레임워크를 두 단계로 구조화한다: (1) CPU 기반 삼중항 패턴의 부분 매칭, (2) GPU 가속 MapReduce를 통한 결과 조인.

실험 결과

연구 질문

• RQ1 GPU 가속 MapReduce 프레임워크는 대규모 RDF 데이터셋에서 SPARQL 쿼리 평가 성능을 크게 향상시킬 수 있는가?
• RQ2 SPARQL 엔진에서 GPU 기반 MapReduce 조인의 성능은 기존 CPU 기반 조인 알고리즘과 비교해 어떻게 다른가?
• RQ3 하이브리드 CPU-GPU 아키텍처는 복잡한 SPARQL 쿼리에 대한 종단 간 응답 시간을 얼마나 줄일 수 있는가?
• RQ4 제안된 프레임워크는 데이터셋 크기와 쿼리 복잡도 증가에 따라 효과적으로 확장되는가?

주요 결과

• LUBM 벤치마크에서 gStore 대비 MapSQ는 쿼리 응답 시간을 최대 50% 단축시켰다.
• Q4 쿼리에서 MapSQ는 gStore의 635 ms에서 339 ms로 응답 시간을 단축하여 46.6% 향상된 성능을 보였다.
• 프레임워크는 모든 다섯 개의 벤치마크 쿼리에서 gStoreD를 초월했으며, 속도 향상 비율은 1.15×에서 2.05×까지 다양했다.
• 중간 결과 집합이 큰 복잡한 쿼리에서 성능 향상이 가장 두드러졌으며, 이는 GPU 확장성의 우수함을 시사한다.
• GPU에서 실행되는 MapReduce 기반 조인 알고리즘이 gStore 및 gStoreD의 네이티브 CPU 기반 조인보다 조인 시간을 더 효과적으로 줄였다.
• 공처리 모델은 계산 비용이 높은 조인 연산을 GPU로 효과적으로 이관하여 CPU 오버헤드를 최소화하고 처리량을 극대화했다.