NII Sangaku

Size: px

Start display at page:

Download "NII Sangaku"

ぜんすけとこたに
5 years ago
Views:

ビックデータ利活用のための計算基盤慶應義塾大学理工学部松谷宏紀 http://www.

1 ビックデータ利活用のための計算基盤慶應義塾大学理工学部松谷宏紀 Dec 15th,

2 ICT におけるトレンド : ビッグデータとグリーン化 Big data: the next oil データの蓄積利活用によってさまざまなイノベーションが期待 9000 [EB] 6000 Information Sensor 3000 explosion Social media Voice Enterprise Green datacenters 地球温暖化防止の観点経済面 ( データセンター運用コスト ) から消費電力の削減は必須 Amortized CAPEX OPEX Servers Power cooling Power use IT 機器の増強へ作用 ( 電力増 ) IT 機器の省電力化への要求 IT 機器の省電力化をこれまで以上に推し進めなければ電力がビッグデータ利活用の大きな足かせになる制限 : IT 機器の省電力化はすでにやり尽くされているデータセンターではコモディティ機 ( コスト効率重視 ) が多用そもそも回路の電源電圧はもう下げられない今こそ計算機アーキテクチャのレベルからの再考が必要と言える 2

莫大な受信データの中から外 10GbE FPGA れ値以外をNICで捨てる計算インテンシブ I/O インテンシブ Chip#2 Chip#1 Chip#0 IoT 向け 3D 積層システムプロセッサ

3 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク FPGA NICによるNOSQL 処理キーバリューストアDB HW/SW 階層 DBキャッシュ 10GbE 機械学習 Four NIC 莫大な受信データの中から外 10GbE FPGA れ値以外をNICで捨てる計算インテンシブ I/O インテンシブ Chip#2 Chip#1 Chip#0 IoT 向け 3D 積層システムプロセッサアクセラレータチップを3 次元積層チップ間通信はワイヤレス KVSメモリチップを開発 In-GPU 分散データベースグラフ型 GPUs DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 20Gb Host GPUクラスタ E 3

4 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク I/O インテンシブ FPGA NIC による NOSQL 処理キーバリューストア DB HW/SW 階層 DB キャッシュ 10GbE 機械学習 NIC 莫大な受信データの中から外れ値以外を NIC で捨てる計算インテンシブ本研究ではビッグデータ利活用の要であるデータベース IoT 向け 3D 積層システム ( 構造型ストレージプロセッサアクセラレータチッ ) をハードウェア化することによってスループップを3 次元積層ト性能を維持しつつ多数のサーバを専用ハードウェアに置きチップ間通信はワイヤレス換えコストと電力効率の向上を狙う KVSメモリチップを開発 In-GPU 分散データベースグラフ型 DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 GPUクラスタ 4

5 構造型ストレージ : データ構造の点から分類構造型ストレージは水平スケーラビリティに優れるが得手不得手がある ( 特定用途特化型 ) Row Key Column Family 1 HBase, BigTable Memcached Key Value Column Family 2 カラム指向型キーバリューストア型 Shopping cart, User profile, Session, etc MongoDB ドキュメント指向型グラフ型 Customer social graph { _id : ObjectId(0), name : Risa, tel : 1234 } { _id : ObjectID(1), name : Shin, mail : shin@x.jp} Schema-less DB Jiro Hiro Neo4j Risa Aya Taro Shin Ken Yuko 5

ポリグロット永続化 : 複数 DB を相補的に利用ポリグロット = 多言語特定用途に特化した構造型ストレージを組み合わせれば複雑なサービスも実現できる Row Key Column Family 1 HBase, BigTable Memcached Key Value Column Family 2 Applications Cache & session Key-value store

6 ポリグロット永続化 : 複数 DB を相補的に利用ポリグロット = 多言語特定用途に特化した構造型ストレージを組み合わせれば複雑なサービスも実現できる Row Key Column Family 1 HBase, BigTable Memcached Key Value Column Family 2 Applications Cache & session Key-value store カラム指向型キーバリューストア型 Shopping cart, User profile, Session, etc MongoDB Inventory & price RDBMS ドキュメント指向型 CMS & blogging Column-oriented Questionnaire Document DB グラフ型 Recommendation Graph DB Customer social graph Batch processing MapReduce, BI { _id : ObjectId(0), name : Risa, tel : 1234 } { _id : ObjectID(1), name : Shin, mail : shin@x.jp} Schema-less DB Jiro Hiro Neo4j Risa Aya Taro Shin Ken Yuko 6

Binary JSON Data analysis framework (1) 各種 NOSQL 及び Spark

7 想定システム (2013 年の夏から ) 客層分析システム Server cluster Key-value store Columnoriented store Document DB Graph DB RDBMS Binary JSON Data analysis framework (1) 各種 NOSQL 及び Spark Streaming が密結合されたシステムを想定し (2) それらを FPGA/GPU/In-Kernel キャッシュなどを使って高効率化する 8

8 階層 NOSQL キャッシュ : FPGA NIC 通常のデータベースアクセス Result User Space In-Kernel KVS Cache (L2$) Hit Request NIC Cache (L1$) Hit Reply Add NetFPGA-10G Device Driver In-Kernel KVS (Key-Value Store) Cache 512GB NetFPGA-10G NIC HW Cache Machine Learning DRAM 288MB 10GbE x4 9

9 階層 NOSQL キャッシュ : FPGA NIC 階層 NOSQL キャッシュ : User Space L1 NOSQL cache FPGA NIC による HW キャッシュ L2 NOSQL cache Linux カーネル内の SW キャッシュ通常のデータベースアクセス Result キャッシュ容量と速度のトレードオフ : L1 In-Kernel NOSQL cache KVS 高速高効率だか小容量 L2 Cache NOSQL (L2$) cache Hit 高速で大容量階層キャッシュ設計空間の探索 [IEEE HoTI 16] Request NIC Cache (L1$) Hit Reply Add NetFPGA-10G Device Driver In-Kernel KVS (Key-Value Store) Cache 512GB NetFPGA-10G NIC HW Cache Machine Learning DRAM 288MB 10GbE x4 10

10 階層 NOSQL キャッシュ : FPGA NIC アプリケーション : User Space 通常のデータベースアクセスデータベースキャッシュ (KVS カラムドキュメントグラフ) ビットコイン (Blockchain) Result 公開取引台帳のキャッシング深層学習パラメータサーバ ( 確率的勾配降下法の集約 ) DDoS Mitigation Box In-Kernel KVS Cache (L2$) Hit Request NIC Cache (L1$) Hit Reply Add NetFPGA-10G Device Driver In-Kernel KVS (Key-Value Store) Cache 512GB NetFPGA-10G NIC HW Cache Machine Learning DRAM 288MB 10GbE x4 11

11 FPGA NIC による 10Gbps 外れ値検出 Sensor Data Explosion User Space Outlier NetFPGA-10G Device Driver Only anomalyvalued packets are received Huge Size Small Size 機械学習アルゴリズム Mahalanobis Distance Local Outlier Factor(LOF) K-Nearest Neighbor(KNN) NetFPGA-10G Data Mining 10GbE x4 12

12 FPGA NIC による 10Gbps 外れ値検出マハラノビス距離版 Sensor Data Explosion : User Space 次元ごとに分散を考慮した距離 ( 例 : 分散が小さい次元ではユークリッド距離よりも遠く扱われる ) 教師なし外れ値検出 ( 古典的手法 ) 14M samples/sec(10gbeラインレートの95.8%) [HEART 15(Best Paper Award)] Outlier NetFPGA-10G Device Driver Only anomalyvalued packets are received Huge Size Small Size 機械学習アルゴリズム Mahalanobis Distance Local Outlier Factor(LOF) K-Nearest Neighbor(KNN) NetFPGA-10G Data Mining 10GbE x4 13

are を FPGA NIC でキャッシュ [PDP 17] Outlier received Huge Size Small Size 機械学習アルゴリズム Mahalanobis Distance

13 FPGA NIC による 10Gbps 外れ値検出 LOF Sensor 版 ( および Data KNN Explosion 版 ): User Space 判定には密度を利用 ( 密度 = K 近傍の距離 ) 密度が低い LOF 値が高い密度計算には過去データが必要だが FPGA NIC には全部は置けない代表的クラスタ ( 過去データ ) Only anomalyvalued packets are を FPGA NIC でキャッシュ [PDP 17] Outlier received Huge Size Small Size 機械学習アルゴリズム Mahalanobis Distance Local Outlier Factor(LOF) K-Nearest Neighbor(KNN) NetFPGA-10G Device Driver NetFPGA-10G Data Mining 10GbE x4 14

14 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク FPGA NICによるNOSQL 処理キーバリューストアDB HW/SW 階層 DBキャッシュ 10GbE 機械学習 NIC 莫大な受信データの中から外れ値以外をNICで捨てるグラフ型 DB: グラフ探索 ( ソーシャルグラフの解析 ) ドキュメント指向 DB: 文字列探索 ( 正規表現による探索 ) GPU や NEC ExpEther を活用したデーベース処理 ACM CAN (2014) ISPA 15 HeteroPar 16 ICPADS 16 計算インテンシブ I/O インテンシブ IoT 向け 3D 積層システムプロセッサアクセラレータチップを 3 次元積層チップ間通信はワイヤレス KVS メモリチップを開発 In-GPU 分散データベースグラフ型 DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 GPUクラスタ 15

15 GPU による NOSQL の高速化 Compute intensive tasks are offloaded to GPUs Graph DB Key-value store Document DB Columnoriented store User Space SLOW ドキュメント指向 DB(MongoDB): 正規表現ベースの文字列探索は CUDA を呼び出す [ISPA 15] NetFPGA-10G Device Driver In-Kernel KVS (Key-Value FAST Store) Cache 512GB グラフ型 DB(Neo4j): Binary グラフ探索 ( ソーシャルグラフの解析 JSON ) は CUDA を呼び出す [ACM CAN(2014)] NetFPGA-10G NIC HW Cache Machine VERY Learning FAST DRAM 288MB 10GbE x4

16 分散 In-GPU データベースさらに多くのGPUを活用したい分散 In-GPU DB 分散 In-GPU データベース over NEC ExpEther GPU のデバイスメモリを DB キャッシュとして利用多数の GPU デバイスを 10GbE スイッチで接続 Hash Space (32-bit) 10GbE Switch Query Client [HeteroPar 16] 17

17 分散 In-GPU データベース Many GPUs are directly connected to DB server via NEC ExpEther (20Gbps) GPUs 10G+10G 10GbE Switch PCIe Card inserted in DB server 10G+10G

2 RDD 集約処理 (count, max, reduce, ) Value RDD-to-RDD 変換処理 (sort, filter, map, )

18 GPU + 分散処理フレームワーク Spark User Space Array Cache (RDDs) RDD の集約処理と RDD-to-RDD 変換処理を GPU にオフロード RDD 1 RDD 2 RDD 3 Array Cache ( 各種 RDD を配列化したデータ ) RDD 1 RDD 2 RDD 集約処理 (count, max, reduce, ) Value RDD-to-RDD 変換処理 (sort, filter, map, ) RDD 3 Spark ではデータは RDD と呼ばれる分散共有メモリに格納 RDD を GPU 処理に適した配列 (Array Cache) としてGPUへ転送 19

19 GPU + 分散処理フレームワーク Spark User Space Array Cache (RDDs) RDD の集約処理と RDD-to-RDD 変換処理を GPU にオフロード RDD 4 RDD 1 RDD 2 RDD 3 Array Cache ( 各種 RDD を配列化したデータ ) RDD 1 10GbE Switch RDD 3 RDD 6 RDD 2 RDD 5 [ICPADS 16] 20

20 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク FPGA NICによるNOSQL 処理キーバリューストアDB HW/SW 階層 DBキャッシュ 10GbE 機械学習 NIC 莫大な受信データの中から外れ値以外をNICで捨てる今までと一転ビッグデータを集める側のデバイスに着目 IoT 向け3 次元チップ積層 (System-in-Package) 低消費電力および機能 ( チップ ) の組み換え可能性 FPGA アクセラレータの成果を小さいほうにも展開計算インテンシブ I/O インテンシブ IoT 向け 3D 積層システムプロセッサアクセラレータチップを 3 次元積層チップ間通信はワイヤレス KVS メモリチップを開発 In-GPU 分散データベースグラフ型 DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 GPUクラスタ 23

21 IoT 向けワイヤレス 3 次元チップ積層誘導結合を用いた System-in-Package(SiP) 必要なチップを積み重ねてシステムを構築 CPU チップアクセラレータチップメモリチップ誘導結合の利点チップ間は電気的に非接触 SiP 内のチップの入れ替え ( 追加や削除 ) が容易 Vertical links Chip#2 Chip#1 Fujitsu 65nm CMOS Joint research with Prof. Keio U Chip#0 24

22 Cube-1( 実用的プロトタイプ実装 ) チップ間ワイヤレス接続 Microphotographs CPU of チップメモリチップアクセラ test chips レータチップを必要に応じて組み合わせることができる IEEE Trans Comp (2014) IEEE Trans VLSI (2016) Host CPU Chip Accelerator Chip Host CPU + 3 Accelerators [Miura, IEEE Micro 13] 25

23 IoT 向け 3 次元積層システム (SiP) 各チップは送受信機を装備 Geyser チップ (CPU) CMA チップ ( アクセラレータ ) Neuro チップ ( 推論 ) KVS チップ (SRAM ストレージ ) KVS メモリチップの詳細 SOTB 65nm Process (3mm x 6mm) 32kB SRAM KVS PE + Router [Tokusashi] Transceiver Processor Chip Amano (Keio U) Data are stored as KVS pairs Accelerator Chip Amano (Keio U) KVS Memory Chip Matsutani (Keio U) Neuro Chip Kondo (U Tokyo) 26

24 IoT 向け 3 次元積層システム (SiP) 命令は2つだけ : Set(Key, Value) Processor Chip TCI Geyser 経由でやってきたチップ (CPU) KeyとValueの組をメモリに保存 Amano (Keio U) Get(Key) CMA チップ ( アクセラレータ ) TCI Neural 経由でやってきたチップ ( 推論 Key ) に対応するValueをメモリから読みだして送信元に返信 KVS チップ (SRAM ストレージ ) 各チップは送受信機を装備 KVS メモリチップの詳細 Data are stored as KVS pairs Accelerator Chip Amano (Keio U) SOTB 65nm Process (3mm x 6mm) 32kB SRAM KVS PE + Router [Tokusashi] Transceiver KVS Memory Chip Matsutani (Keio U) Neuro Chip Kondo (U Tokyo) 27

IoT 向け 3 次元積層システム (SiP) アプリケーション : 類似の入力値に対し得られたプロセッサの計算結果を Processor Chip KVS メモリに記憶し計算結果を再利用 Geyser チップ (CPU) ( 計算をサボる Amano (Keio ) U) CMA チップ ( アクセラレータ ) Key: ハッシュ関数 ( 関数名 + 入力値の上位ビット ) Neural

25 IoT 向け 3 次元積層システム (SiP) アプリケーション : 類似の入力値に対し得られたプロセッサの計算結果を Processor Chip KVS メモリに記憶し計算結果を再利用 Geyser チップ (CPU) ( 計算をサボる Amano (Keio ) U) CMA チップ ( アクセラレータ ) Key: ハッシュ関数 ( 関数名 + 入力値の上位ビット ) Neural チップ ( 推論 ) 各チップは送受信機を装備 Value: KVS その関数の計算結果チップ (SRAM ストレージ ) 例 : VGAへの出力画像 KVS メモリチップの詳細 Neuro Chip の推論結果 Data are stored as KVS pairs Accelerator Chip Amano (Keio U) 例 : GPS 位置情報 +ジャイロセンサ ( 角度 ) 入力画像 SOTB 65nm Process (3mm x 6mm) 32kB SRAM KVS PE + Router [Tokusashi] Transceiver KVS Memory Chip Matsutani (Keio U) Neuro Chip Kondo (U Tokyo) 28

26 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク I/O インテンシブ IoT 向け 3D 積層システムプロセッサアクセラレータチップを3 次元積層チップ間通信はワイヤレス KVSメモリチップを開発 FPGA NIC による NOSQL 処理キーバリューストア DB HW/SW 階層 DB キャッシュ 10GbE 機械学習 NIC 莫大な受信データの中から外れ値以外を NIC で捨てる計算インテンシブ In-GPU 分散データベースグラフ型 DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 GPUクラスタ 29 データ転送なので計算量は少なく完全に I/Oネックとなるネットワークを増強すべき

27 30 40GbE 光無線による仮想マシンの移送データセンターにおける突発的データ転送仮想マシンの移送 ( 数 GB オーダ ) ストレージも一緒に移送したい (Web データベース ) 1GbE リンクでは移送に時間が掛かったり収束しない光無線による 40GbE 動的ショートカットリンク

28 31 40GbE 光無線による仮想マシンの移送データセンターにおける突発的データ転送仮想マシンの移送 ( 数 GB オーダ ) ストレージも一緒に移送したい (Web データベース ) 1GbE リンクでは移送に時間が掛かったり収束しない光無線による 40GbE 動的ショートカットリンク Web OS

29 40GbE 光無線による仮想マシンの移送光無線による 40GbE 動的ショートカットリンク 40GbE LR4 波長1300nm をコリメータレンズに直結しレンズの向きを調整することで動的にリンクを形成 Mirror Lens Lens Web OS 32

40GbE 光無線による仮想マシンの移送 Highway: 40GbE 仮想マシンの移送ストレージ移送などの大 VM 光無線による動的ショートカットリンク容量データ転送に合わせてラック間コリメータレンズを調整し 40GbE LR4 波長1300nm をコリメータレンズに直結し

30 40GbE 光無線による仮想マシンの移送 Highway: 40GbE 仮想マシンの移送ストレージ移送などの大 VM 光無線による動的ショートカットリンク容量データ転送に合わせてラック間コリメータレンズを調整し 40GbE LR4 波長1300nm をコリメータレンズに直結し 40GbE 動的ショートカットリンクを形成レンズの向きを調整することで動的にリンクを形成 Web 省電力化: FSO によるショートカットリンクによる性能向上低 OS 貢献リンクの停止による省電力化 Mirror HPCA 15 NICT藤原先生 NII鯉渕先生との共同研究 Lens Lens 33

ビッグデータ基盤システムと今後の展望入力ストリームデータメッセージキューイングストリーム処理オンライン機械学習

SNS 客層分析 UAV IoT) I/O インテンシブ分散バッチ処理機械学習データ交換 ( シリアライゼーション

計算インテンシブメッセージキューイング (Apache Kafka) シリアライゼーション RPC(Apache

(Redis HBase) オンライン機械学習 ( 分類外れ値検出変化点検出異常行動検出 Change

) 分散バッチ処理 (Apache Spark) 機械学習ライブラリ (Apache Spark MLlib) I/O

31 ビッグデータ基盤システムと今後の展望入力ストリームデータメッセージキューイングストリーム処理オンライン機械学習推論データベース層ポリグロット永続化 Realtime View DB 問合せ大量データ ( ネットワークサービス SNS 客層分析 UAV IoT) I/O インテンシブ分散バッチ処理機械学習データ交換 ( シリアライゼーション ) Batch View 客層分析クエリトピック推定クエリブロックチェーン取引情報取得クエリ地形情報取得クエリ計算インテンシブメッセージキューイング (Apache Kafka) シリアライゼーション RPC(Apache Thrift) ストリーム処理 (Apache Spark Streaming) KVS カラム指向 DB (Redis HBase) オンライン機械学習 ( 分類外れ値検出変化点検出異常行動検出 Change Finder) ドキュメント指向 DB (MongoDB 等 ) グラフ DB グラフ処理システム (Neo4j 等 ) 分散バッチ処理 (Apache Spark) 機械学習ライブラリ (Apache Spark MLlib) I/O と計算の密結合 FPGA NIC Four 10GbE FPGA 高い計算強度ネットワーク直結 GPU クラスタ GPUs Switch Host 34

32 ラックスケールアーキテクチャへの展開多数の計算リソースをラック内に収容例 : CPU ストレージ (RAM SSD) 計算 (GPU FPGA) Software-defined infrastructure ラック内ラック間の計算リソースをネットワーク結合計算機を必要に応じてソフトウェア定義 GPU based document DB GPU based graph DB Linux in-kernel cache FPGA based KVS and DB cache FPGA based outlier detection GPU based Apache Spark Compute (GPUs) Storage (SSDs) CPU Memory FPGA based Spark Streaming Compute (FPGAs) 35

33 ラックスケールアーキテクチャへの応用多数の計算リソースをラック内に収容例 : CPU ストレージ (RAM SSD) 計算 (GPU FPGA) Software-defined infrastructure ラック内ラック間の計算リソースをネットワーク結合計算機を必要に応じてソフトウェア定義 Remote GPUs over 10GbE GPU less GPU cluster VR After 36

34 本発表の概要 : 計算強度と I/O 強度の観点からビッグデータ向け計算機アーキテクチャの研究ストレージマイグレーション仮想マシンマイグレーションビッグデータをサーバからサーバへ移動させるラック天井部から光ビーム光無線による 40GbE 動的リンク Enhancement of network FPGA NICによるNOSQL 処理キーバリューストアDB HW/SW 階層 DBキャッシュ 10GbE 機械学習 Four NIC 莫大な受信データの中から外 10GbE FPGA れ値以外をNICで捨てる Tight integration of I/O & computation 計算インテンシブ I/O インテンシブ Chip#2 Chip#1 Chip#0 IoT 向け 3D 積層システムプロセッサアクセラレータチップを3 次元積層チップ間通信はワイヤレス KVSメモリチップを開発 In-GPU 分散データベースグラフ型 GPUs DB( グラフ探索 ) ドキュメントDB( 文字列 ) 10GbEネットワーク接続 20Gb Host GPU Massive クラスタ Eparallelism 40

35 参考文献 (1/4) Key-Value Store アクセラレータ Yuta Tokusashi, et.al., "A Multilevel NOSQL Cache Design Combining In-NIC and In- Kernel Caches", Hot Interconnects Yuta Tokusashi, et.al., "NOSQL Hardware Appliance with Multiple Data Structures", Hot Chips 2016 (Poster). Korechika Tamura, et.al., "An In-Kernel NOSQL Cache for Range Queries Using FPGA NIC", FPGA4GPC Akihiko Hamada, et.al., "Design and Implementation of Hardware Cache Mechanism and NIC for Column-Oriented Databases ", ReConFig 2016.

36 参考文献 (2/4) 機械学習アクセラレータ Ami Hayashi, et.al., "A Line Rate Outlier Filtering FPGA NIC using 10GbE Interface", ACM SIGARCH CAN (2015). Ami Hayashi, et.al., "An FPGA-Based In-NIC Cache Approach for Lazy Learning Outlier Filtering", PDP 分散処理フレームワーク Spark 高速化 Yasuhiro Ohno, et.al., "Accelerating Spark RDD Operations with Local and Remote GPU Devices", ICPADS Kohei Nakamura, et.al., "An FPGA-Based Low- Latency Network Processing for Spark Streaming, IEEE BigData Workshops 2016.

37 参考文献 (3/4) GPU による NOSQL データベース高速化 Shin Morishima, et.al., "Distributed In-GPU Data Cache for Document-Oriented Data Store via PCIe over 10Gbit Ethernet", HeteroPar Shin Morishima, et.al., "Performance Evaluations of Document-Oriented Databases using GPU and Cache Structure", ISPA Shin Morishima, et.al., "Performance Evaluations of Graph Database using CUDA and OpenMP-Compatible Libraries", ACM SIGARCH CAN (2014).

38 参考文献 (4/4) 誘導結合を用いたワイヤレス 3 次元積層 Takahiro Kagami, et.al., "Efficient 3-D Bus Architectures for Inductive-Coupling ThruChip Interfaces", IEEE TVLSI (2016). Hiroki Matsutani, et.al, "Low-Latency Wireless 3D NoCs via Randomized Shortcut Chips", DATE Yasuhiro Take, et.al., "3D NoC with Inductive- Coupling Links for Building-Block SiPs", IEEE TC (2014). Hiroki Matsutani, et.al., "A Case for Wireless 3D NoCs for CMPs", ASP-DAC (Best Paper Award)

39 Acknowledgement: A part of this work is supported by JST PRESTO, MIC SCOPE, NEDO IoT, and JSPS Kakenhi 45 Thank you for Thank you! listening!

NII Sangaku

NII Sangaku ビッグデータ利活用のための計算機アーキテクチャ慶應義塾大学理工学部松谷宏紀 http://www.arc.ics.keio.ac.jp/~matutani Oct 4th, 2016 NII 産官学連携塾大規模コンピュータネットワークの建築学 1 ICT におけるトレンド : ビッグデータとグリーン化 Big data: the next oil データの蓄積利活用によってさまざまなイノベーションが期待