Sizing Multiple Buffer Pools for
Notice bibliographique
Résumé
The buffer area is a key resource in database management systems (DBMSs) and the performance of a DBMS is greatly influenced by the effective use of the buffer area. Current DBMSs such as DB2 Universal Database (DB2/UDB), logically divide the buffer area into a number of independent buffer pools. Each database object (table or index) is assigned to a specific buffer pool. The task of configuring the buffer pools, which defines the mapping of database objects to buffer pools and the setting the size for each of the buffer pools, is crucial for achieving optimal performance. In this thesis, we focus on the buffer pool sizing problem. The goal of our research is to support the DBMS automatically determining an optimal buffer pool sizes for a given workload. This problem has been shown to be a complex constrained optimization problem. Currently this task is performed manually by the database administrators (DBAs). We present a cost model based on data access time and use a greedy algorithm to solve the optimization problem. The approach is implemented and verified against the TPC-C benchmark database using DB2/UDB. Experimental results show the cost model is accurate, and that the greedy algorithm is fast and sufficient in finding an optimal buffer pool sizes. i Acknowledgements I would like to express my sincere gratitude to my supervisor, Dr. Pat Martin, for his excellent guidance, precious advice and endless support during my graduate study and research at Queen's University. Without his help, this thesis would never have got finished. I would also like to thank Wendy Powley, our wonderful database expert, for the help in setting up the experimental environments and the suggestions about writing this thesis. My thanks also go to my friendly labmates, whose help and advice is very helpful to this thesis. Special thanks are given to the School of Computing at Queen’s University for providing me the opportunity to pursue graduate studies and their support. I also thank IBM Canada Ltd. NSERC, and CITO for the financial support. Finally, I would like to thank my parents, and my beautiful wife, Jie Lu, for their love, support, and encouragement in these years. ii
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».