Operaciones en base de datos métricas y modelo CPU-GPU

Autores
Lopresti, Mariela; Piccoli, María Fabiana; Reyes, Nora Susana
Año de publicación
2011
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En la actualidad, debido a la evolución de las tecnologías de información y comunicación, tenemos la posibilidad de almacenar distintos tipos de información. Podemos encontrar, por ejemplo en la Web, docenas de billones de documentos y cientos de millones de imágenes y otros tipos de datos tales como fotografías, audio y video. Esta nueva colección de datos no estructurados admite como modelo a las bases de datos métricas. Ante la gran cantidad de información, para poder recuperar estos datos en forma rápida y eficiente han surgido distintas alternativas de optimización. Una de ellas son estructuras de indexación y algoritmos de búsquedas y otra es la optimización a través de la aplicación de técnicas de computación de alto desempeño. Los sistemas diseñados para resolver problemas específicos como los procesadores gráficos (GPU), han comenzado a ser de gran interés para desarrollar problemas de computación de proposito general ya que proveen un bandwith de memoria extremadamente alto y gran poder computacional necesarios para computación de alta performance y a un bajo costo. La línea de investigación que se propone seguir pretende evaluar la factibilidad de utilizar la GPU como computadora masivamente paralela para obtener soluciones de alto desempeño en base de datos métricas. Entre las operaciones de interés se encuentran las consultas.
Eje: Bases de datos y minería de datos
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
base de datos
base de datos métricas
Data mining
modelo CPU-GPU
operaciones
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/20045
Acceder
id SEDICI_cd62e31cd18390dd3da5f4337a419c23
oai_identifier_str oai:sedici.unlp.edu.ar:10915/20045
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Operaciones en base de datos métricas y modelo CPU-GPULopresti, MarielaPiccoli, María FabianaReyes, Nora SusanaCiencias Informáticasbase de datosbase de datos métricasData miningmodelo CPU-GPUoperacionesEn la actualidad, debido a la evolución de las tecnologías de información y comunicación, tenemos la posibilidad de almacenar distintos tipos de información. Podemos encontrar, por ejemplo en la Web, docenas de billones de documentos y cientos de millones de imágenes y otros tipos de datos tales como fotografías, audio y video. Esta nueva colección de datos no estructurados admite como modelo a las bases de datos métricas. Ante la gran cantidad de información, para poder recuperar estos datos en forma rápida y eficiente han surgido distintas alternativas de optimización. Una de ellas son estructuras de indexación y algoritmos de búsquedas y otra es la optimización a través de la aplicación de técnicas de computación de alto desempeño. Los sistemas diseñados para resolver problemas específicos como los procesadores gráficos (GPU), han comenzado a ser de gran interés para desarrollar problemas de computación de proposito general ya que proveen un bandwith de memoria extremadamente alto y gran poder computacional necesarios para computación de alta performance y a un bajo costo. La línea de investigación que se propone seguir pretende evaluar la factibilidad de utilizar la GPU como computadora masivamente paralela para obtener soluciones de alto desempeño en base de datos métricas. Entre las operaciones de interés se encuentran las consultas.Eje: Bases de datos y minería de datosRed de Universidades con Carreras en Informática (RedUNCI)2011-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf305-309http://sedici.unlp.edu.ar/handle/10915/20045spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-673-892-1info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-22T16:35:44Zoai:sedici.unlp.edu.ar:10915/20045Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 16:35:44.887SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Operaciones en base de datos métricas y modelo CPU-GPU
title Operaciones en base de datos métricas y modelo CPU-GPU
spellingShingle Operaciones en base de datos métricas y modelo CPU-GPU
Lopresti, Mariela
Ciencias Informáticas
base de datos
base de datos métricas
Data mining
modelo CPU-GPU
operaciones
title_short Operaciones en base de datos métricas y modelo CPU-GPU
title_full Operaciones en base de datos métricas y modelo CPU-GPU
title_fullStr Operaciones en base de datos métricas y modelo CPU-GPU
title_full_unstemmed Operaciones en base de datos métricas y modelo CPU-GPU
title_sort Operaciones en base de datos métricas y modelo CPU-GPU
dc.creator.none.fl_str_mv Lopresti, Mariela
Piccoli, María Fabiana
Reyes, Nora Susana
author Lopresti, Mariela
author_facet Lopresti, Mariela
Piccoli, María Fabiana
Reyes, Nora Susana
author_role author
author2 Piccoli, María Fabiana
Reyes, Nora Susana
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
base de datos
base de datos métricas
Data mining
modelo CPU-GPU
operaciones
topic Ciencias Informáticas
base de datos
base de datos métricas
Data mining
modelo CPU-GPU
operaciones
dc.description.none.fl_txt_mv En la actualidad, debido a la evolución de las tecnologías de información y comunicación, tenemos la posibilidad de almacenar distintos tipos de información. Podemos encontrar, por ejemplo en la Web, docenas de billones de documentos y cientos de millones de imágenes y otros tipos de datos tales como fotografías, audio y video. Esta nueva colección de datos no estructurados admite como modelo a las bases de datos métricas. Ante la gran cantidad de información, para poder recuperar estos datos en forma rápida y eficiente han surgido distintas alternativas de optimización. Una de ellas son estructuras de indexación y algoritmos de búsquedas y otra es la optimización a través de la aplicación de técnicas de computación de alto desempeño. Los sistemas diseñados para resolver problemas específicos como los procesadores gráficos (GPU), han comenzado a ser de gran interés para desarrollar problemas de computación de proposito general ya que proveen un bandwith de memoria extremadamente alto y gran poder computacional necesarios para computación de alta performance y a un bajo costo. La línea de investigación que se propone seguir pretende evaluar la factibilidad de utilizar la GPU como computadora masivamente paralela para obtener soluciones de alto desempeño en base de datos métricas. Entre las operaciones de interés se encuentran las consultas.
Eje: Bases de datos y minería de datos
Red de Universidades con Carreras en Informática (RedUNCI)
description En la actualidad, debido a la evolución de las tecnologías de información y comunicación, tenemos la posibilidad de almacenar distintos tipos de información. Podemos encontrar, por ejemplo en la Web, docenas de billones de documentos y cientos de millones de imágenes y otros tipos de datos tales como fotografías, audio y video. Esta nueva colección de datos no estructurados admite como modelo a las bases de datos métricas. Ante la gran cantidad de información, para poder recuperar estos datos en forma rápida y eficiente han surgido distintas alternativas de optimización. Una de ellas son estructuras de indexación y algoritmos de búsquedas y otra es la optimización a través de la aplicación de técnicas de computación de alto desempeño. Los sistemas diseñados para resolver problemas específicos como los procesadores gráficos (GPU), han comenzado a ser de gran interés para desarrollar problemas de computación de proposito general ya que proveen un bandwith de memoria extremadamente alto y gran poder computacional necesarios para computación de alta performance y a un bajo costo. La línea de investigación que se propone seguir pretende evaluar la factibilidad de utilizar la GPU como computadora masivamente paralela para obtener soluciones de alto desempeño en base de datos métricas. Entre las operaciones de interés se encuentran las consultas.
publishDate 2011
dc.date.none.fl_str_mv 2011-05
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/20045
url http://sedici.unlp.edu.ar/handle/10915/20045
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-673-892-1
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
305-309
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846782805472706560
score 12.718478

Publicaciones similares