赞
踩
这篇文章主要是讨论了AI4DB 和 DB4AI 集成的数据库架构,以此提出了AI原生的数据库,架构如下:
而具体发展阶段来说,AI原生数据库主要由五个阶段组成
挑战和机遇:
Stonebraker 认为,由于应用程序的多样性(例如 OLTP,OLAP,stream,graph)和硬件的多样性(例如 CPU,ARM,GPU,FPGA,NVM),一种数据库并不能适合所有的情况(one-size-doesn’t-fit-all).
通过构建一个智能的数据库栈可能能够适应所有的情况(one-stack-fits-all).
“One-stack-fits-all”的挑战:
(1) 每个组件应该提供标准接口,以便不同的组件可以集成在一起;
(2) 每个组件应该有不同的变体或实现,例如不同的索引类型、不同的优化器;
(3) 它需要一个基于学习的组件来组装不同的组件;
(4) 在部署数据库之前,需要对所装配的数据库进行评估和验证;
(5) 支持异构的计算框架.不同组件可能需要运行在不同硬件上,例如,学习优化器应该运行在 AI 芯片上,传统的基于成本的优化器应该运行在通用芯片上,它需要有效的硬件调度算法来安排不同的任务;
(6) 传统芯片设计有 EDA 等软件辅助,但是软件设计并没有类似的工具来评价设计效果,因此需要设计类似软件来对数据库的设计给出评估.
OLAP 2.0
图数据、时间序列数据、空间数据、文本数据、图像数据,需要新的数据分析技术来分析这些多模型数据,集成 AI和 DB技术来提供新的数据分析功能是很挑战性的.我们认为,多模型数据的 DB 和 AI 混合在线分析处理应该是下一代 OLAP,即OLAP 2.0.
挑战:首先,不同的数据类型使用不同的模型,如关系模型、图模型、KV 模型、张量模型,需要一个新的模型来支持多模数据分析;其次,OLAP 2.0 查询可能涉及数据库和人工智能操作,它需要设计新的模型来优化这些跨硬件的异构操作
OLTP 2.0
传统OLTP不能充分利用新硬件,如 AI 芯片、RDMA 和NVM.实际上,我们可以利用新的硬件来改进事务处理
挑战:
AI4DB
挑战:
DB4AI
边缘计算数据库
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。