G-CasDec：在GPU上执行的全局级级联解压缩技术

《Proceedings of the ACM on Management of Data》：G-CasDec: General Cascaded Decompression on GPUs

　　

摘要 AI摘要

要查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多 登录

摘要

摘要

基于GPU加速的分析查询处理通常受到GPU设备内存容量和主机到设备的数据传输时间的限制。现代数据压缩技术（如级联轻量级压缩）可以缓解这些问题。然而，现有的设计在压缩比、解压缩速度和可扩展性方面都存在关键trade-offs。它们要么采用激进的压缩方式而不解决执行不规则性问题，要么保持严格对齐的数据布局从而牺牲了压缩性。此外，没有一种方法能够轻松地添加新的压缩方案。为了解决这些问题，我们提出了G-CasDec，这是一个优化框架，用于在GPU上实现高效解压缩，适用于各种级联压缩方案。G-CasDec结合了几项关键技术，包括针对可变长度数据的对齐批量处理以实现高效解压缩、共享内存重用和寄存器级融合以提高资源利用率，以及一组字节码指令来协调通用的解压缩流程。与最先进的设计相比，G-CasDec的压缩比提高了2.8倍，解压缩速度提高了2.0倍，并且还可以扩展到任意级联方案。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现相关信息、评估文章的相关性，并协助来自相关研究领域的读者理解文章内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的正式概述。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这将有助于改进未来的版本。

要查看此AI生成的通俗语言摘要，您必须拥有高级访问权限。