Universidad Nacional de TrujilloEscuela de Informática

Bases de Datos Paralelas

◦ Introducción◦ Diseño

Se comercializan con éxito Tendencias:

◦ Mayores requisitos transaccionales, y bases de datos de mayor tamaño

◦ Consultas de ayuda a la toma de decisiones, volúmenes de datos mayores a los soportados por un procesador

◦ Procesamiento paralelo de consultas brinda mayor potencia y dimensionabilidad

◦ Microprocesadores a menor precio hacen más común el uso de máquinas paralelas

Existen diferentes arquitecturas de Sistemas Paralelos◦ De memoria compartida◦ De discos compartidos◦ Arquitectura jerárquica

Mejoran la velocidad de procesamiento de E/S Bases de Datos del orden de los Terabytes (10^12 bytes) Tipos de máquinas paralelas

◦ De grano fino: utilizan una gran cantidad de procesadores de capacidad relativamente baja

◦ De grano grueso: utilizan pocos procesadores de gran capacidad

Medidas de rendimiento◦ Productividad: N° de tareas completadas en un determinado

tiempo◦ Tiempo de respuesta: Cantidad de tiempo necesaria para

completarse una única tarea(*) La productividad se puede mejorar realizando un gran numero de pequeñas transacciones en paralelo

Actualmente, máquinas paralelas de grano grueso son más comunes en el mercado (2 – 4 procesadores)

Paralelismo enfocado a:◦ Almacenamiento de datos◦ Procesamiento de consultas

Requisito importante: carga de datos en paralelo SBDP debe considerar, también:

◦ Recuperación en caso de falla en algunos procesadores y discos◦ Reorganización interactiva de datos y cambios de esquemas

Un SBDP mal diseñado dejará de funcionar si cualquier componente falla (disco o procesador)

Máquinas paralelas se diseñan para afrontar fallas de dispositivos◦ Se distribuye carga de trabajo sólo entre los procesadores

funcionales◦ Datos son guardados sólo en réplicas funcionales

SBDP no están disponibles durante la creación de índices, y cambios de esquemas (excepto en Himalaya, Compaq)

Objetivo: Reducir el tiempo necesario para recuperar relaciones del disco

División de información: División horizontal

Estrategias de División◦ Turno Rotario:

i-ésima tupla se envía al Di mod n , donde n: cantidad de discos Provee una distribución homogéneo

◦ División por Asociación: Cada tupla se asocia en términos de los atributos de asociación Función de asociación: fx(tupla) = i, donde i: índice del disco al que será

enviado◦ División por Rangos

Distribuye rangos contiguos de valores Se escoge atributo de la relación como vector de división

Tipos de acceso a datos◦ Exploración de la relación: devuelve la relación completa◦ Consultas concretas: devuelve tuplas con un valor concreto en un

atributo◦ Consultas de rango: devuelve tuplas cuyo valor de atributo se

encuentre dentro de un rango especificado Comparación de técnicas de división

◦ (*) Si el atributo consultado es parte de la función de asociación◦ (**) Si el atributo consultado es parte del atributo de rango

Exploración C. Concreta C. De Rango

Turno Rotatorio Fácil Difícil Difícil

División por Asociación

Fácil Fácil (*) Difícil

División por Rango Fácil Fácil (**) Fácil (**)

Ejecutar paralelamente diferentes consultas o transacciones Tiempo de respuesta de cada transacción no disminuye Mejora: Ejecutar mayor número de transacciones en paralelo

Tiempo de respuesta global disminuye Implementación:

◦ FÁCIL en sistemas paralelos de memoria compartida◦ DIFÍCIL en sistemas paralelos de discos compartidos o sin

compartimiento Necesario: Asegurar que dos procesadores no actualicen

simultáneamente los mismos datos, y que recuperen la información más actual

Problema de Coherencia de Caché◦ Se integra al control de concurrencia◦ Protocolo

Tx bloquean página de disco antes de leer o escribir Tx envía página modificada al disco compartido antes de desbloquear

Ejecución paralela de una consultas en diferentes discos y procesadores

Objetivo: acelerar consultas de ejecución larga Paralelizar consulta Paralelizar operaciones (internas) Árbol de operadores: para evaluar en paralelo las

operaciones sin dependencias entre sí Posibilidades:

◦ Paralelismo en operaciones: haciendo paralela la ejecución de cada una de las operaciones.

◦ Paralelismo entre operaciones: ejecutando en paralelo las diferentes operaciones

Las dos opciones de paralelismo son complementarias La elección de algoritmos para evaluar en paralelo las

consultas depende de la arquitectura de la máquina

Paralelismo de Encauzamiento◦ Encauzamiento: Resultados de operación A son procesadas por

operación B antes de que A termine y devuelva el resultado completo.

◦ Paralelismo + Encauzamiento: ejecución paralela de A y B en procesadores diferentes

◦ Adecuado para un n° pequeño de procesadores, no es fácilmente extensible.

Paralelismo Independiente◦ Expresiones de consultas independientes se ejecutan en

paralelo◦ Tampoco proporciona una alto grado de paralelismo

Ordenación en paralelo◦ Ordenación con división por rangos

Redistribuir la relación como si fuese una división por rangos (sobre carga de E/S de discos y comuniaciones)

Cada procesador ordena localmente las tuplas (paralelismo de datos)

◦ Merge Sort externo paralelo Cada procesador ordena localmente las tuplas Las partes ordenadas de cada procesador se mezclan

Partes ordenadas de cada procesador se dividen en rangos Cada procesador recibe las tuplas de manera ordenada y las mezcla

para obtener una sola parte ordenada Las partes odenadas de cada procesador se concatenan

Reunión paralela◦ Reunión por división

Se muestra la división utilizada en una reunión por división paralela.

Reunión paralela◦ Reunión con fragmentos y réplicas