dremel interac ve analysis of web scale datasets
play

Dremel: Interac-ve Analysis of Web-Scale Datasets By Frank - PowerPoint PPT Presentation

Dremel: Interac-ve Analysis of Web-Scale Datasets By Frank Chan CS297 Outline Background Data Model Data conversion Query execu-on Background


  1. Dremel: ¡Interac-ve ¡Analysis ¡of ¡ Web-­‑Scale ¡Datasets ¡ By ¡Frank ¡Chan ¡ CS297 ¡

  2. Outline ¡ • Background ¡ • Data ¡Model ¡ • Data ¡conversion ¡ • Query ¡execu-on ¡

  3. Background ¡ • Many ¡-mes ¡users ¡need ¡to ¡be ¡able ¡to ¡query ¡a ¡ database ¡to ¡access ¡par-cular ¡records ¡ • Generally, ¡views ¡can ¡be ¡created ¡for ¡mul-ple ¡ joins, ¡but ¡views ¡are ¡slow ¡ • Alterna-vely, ¡a ¡replicated ¡table ¡of ¡that ¡join ¡can ¡ be ¡created ¡to ¡store ¡a ¡“results” ¡table ¡ • Problem ¡1: ¡“results” ¡tables ¡are ¡not ¡up ¡to ¡date ¡ • Problem ¡2: ¡DBMS ¡requires ¡to ¡load ¡the ¡data ¡ first, ¡not ¡good ¡with ¡distributed ¡datastores ¡

  4. Data ¡Model ¡ • Conversion ¡of ¡record ¡stores ¡into ¡column ¡oriented ¡ model ¡ • Advantage: ¡A, ¡B, ¡C ¡can ¡be ¡stored ¡con-guously ¡so ¡that ¡ A, ¡B, ¡C ¡can ¡be ¡retrieved ¡without ¡needing ¡to ¡access ¡D, ¡E ¡

  5. Data ¡Conversion ¡ • Repe--on ¡level ¡ – At ¡what ¡repeated ¡field ¡in ¡the ¡field’s ¡path ¡the ¡value ¡ has ¡repeated ¡ • Defini-on ¡level ¡ – How ¡many ¡fields ¡could ¡be ¡undefined ¡(because ¡it’s ¡ op-onal ¡or ¡repeated) ¡are ¡actually ¡present ¡ • Encoding ¡ – Levels ¡generally ¡are ¡not ¡large, ¡so ¡bits ¡can ¡be ¡used ¡ to ¡encode ¡

  6. Data ¡Conversion ¡Example ¡ 1 ¡ 1 ¡ 2 ¡ 2 ¡ 2 ¡ 1 ¡ 2 ¡ 3 ¡ 3 ¡ 2 ¡ 3 ¡ 2 ¡ 1 ¡ 1 ¡ 1 ¡ 2 ¡ 2 ¡ 1 ¡ 2 ¡ 2 ¡ 2 ¡ 3 ¡ 1 ¡ 3 ¡ 2 ¡

  7. Data ¡Conversion ¡Example ¡(Cont’d) ¡

  8. Data ¡record ¡reassembled ¡ • Reassembling ¡the ¡record ¡can ¡be ¡done ¡in ¡a ¡graph ¡ • Refer ¡back ¡to ¡slide ¡6 ¡to ¡see ¡the ¡data ¡defini-on ¡for ¡precedence ¡

  9. Query ¡record ¡reassembled ¡

  10. Query ¡Execu-on ¡ • Query ¡execu-on ¡is ¡done ¡in ¡a ¡three ¡step ¡ process ¡in ¡a ¡tree ¡architechture ¡

  11. Query ¡Execu-on ¡Steps ¡ • Root ¡server ¡ – Retrieves ¡the ¡incoming ¡query ¡ – Reads ¡metadata ¡from ¡tables ¡ – Routes ¡queries ¡to ¡the ¡intermediate ¡servers ¡(by ¡doing ¡a ¡ rewrite ¡based ¡on ¡the ¡metadata) ¡ • Leaf ¡servers ¡ – Accesses ¡the ¡local ¡data ¡results ¡retrieved ¡from ¡the ¡ predicate ¡ • Intermediate ¡servers ¡ – Rewrites ¡the ¡query ¡to ¡separate ¡the ¡results ¡to ¡the ¡leaf ¡ servers ¡ – Uses ¡a ¡UNION ¡ALL ¡aggrega-on ¡to ¡finalize ¡the ¡total ¡results ¡

  12. Query ¡Sample ¡ • Query ¡is ¡received ¡by ¡the ¡root ¡node ¡ • Query ¡is ¡rewri_en ¡so ¡that ¡it ¡can ¡be ¡dispersed ¡to ¡the ¡intermediate ¡ server ¡ • Queries ¡are ¡given ¡to ¡the ¡leaf ¡nodes ¡based ¡on ¡data ¡locality ¡of ¡T i ¡

  13. Performance ¡experiment: ¡Columnar ¡vs. ¡Record ¡disk ¡access ¡ ¡ • As ¡number ¡of ¡fields ¡increases, ¡columnar ¡format ¡increases ¡ ¡ • For ¡Record ¡format, ¡opera-on ¡is ¡sta-c ¡regardless ¡of ¡how ¡ many ¡fields ¡need ¡to ¡be ¡operated ¡on ¡ ¡

  14. Experiement: ¡MR ¡vs. ¡Dremel ¡ • Both ¡systems ¡have ¡3000 ¡workers ¡ • Uses ¡the ¡same ¡query: ¡ – In ¡SQL: ¡SELECT ¡SUM(CountWords(txtField))/ COUNT(*) ¡FROM ¡T1; ¡ ¡ – In ¡MR: ¡

  15. Experiement: ¡MR ¡vs. ¡Dremel ¡Results ¡ • Switching ¡MR ¡from ¡records ¡to ¡columns, ¡it ¡gained ¡ a ¡full ¡order ¡of ¡magnitude ¡(hours ¡to ¡mins) ¡ • Another ¡order ¡of ¡magnitude ¡is ¡gained ¡going ¡from ¡ MR-­‑columns ¡to ¡Dremel ¡(mins ¡to ¡secs) ¡

Download Presentation
Download Policy: The content available on the website is offered to you 'AS IS' for your personal information and use only. It cannot be commercialized, licensed, or distributed on other websites without prior consent from the author. To download a presentation, simply click this link. If you encounter any difficulties during the download process, it's possible that the publisher has removed the file from their server.

Recommend


More recommend