201710 発表資料（井内）
0 likes1,143 views
骋笔鲍を活用したカラムナーデータべースである惭补辫顿を使ってみました。従来よりもコンパクトに、省电力で、そして安価なサーバーを构筑できます。
![[Cloud OnAir] Google Cloud の AI / IoT 最新事例紹介 2020年10月22日 放送](https://cdn.slidesharecdn.com/ss_thumbnails/aa-201022092013-thumbnail.jpg?width=560&fit=bounds)
![[Cloud OnAir] 2019 年振り返り！G Suite 新機能紹介 2019年11月28日 放送](https://cdn.slidesharecdn.com/ss_thumbnails/1128-191128072640-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (12)
Viewers also liked (12)
Similar to 201710 発表資料（井内） (20)
![[20170922 Sapporo Tech Bar] 地図用データを高速処理！オープンソースGPUデータベースMapDってどんなもの？？ by 株式会社...](https://cdn.slidesharecdn.com/ss_thumbnails/20170922mapd-170926064811-thumbnail.jpg?width=560&fit=bounds)
![[db tech showcase Tokyo 2017] B35: 地図用データを高速処理！オープンソースGPUデータベースMapDの魅力に迫る！！by...](https://cdn.slidesharecdn.com/ss_thumbnails/b35-170912021017-thumbnail.jpg?width=560&fit=bounds)
More from OSgeo Japan (20)
Recently uploaded (15)
201710 発表資料（井内）
- 2. OGC
- 3. GPUを利用したビッグデータ 可視化製品 MapD のご紹介 株式会社 インサイトテクノロジー
- 4. GPUを利用したビッグデータ可視化製品であるMapDを開発 2013年 ボストンで設立 Todd Mostak、Tom Graham 氏による HQ サンフランシスコ 2017年5月 オープンソース化 Apache 2.0 Licence Community版の利用が可能に。
- 5. ● 大量データセットの分析?可視化 → 数十億行も可能。 ● 安く、そして速く → GPUを活用しています（集計、描画）。 ● 地図データ連携による可視化（ただのDBではありません） → 大量データの傾向を把握できます。 → GISデータ（kml、geojson、shp）インポートが可能です。 MapDの特?
- 6. カラムナーデータベースの特性を活用し、 必要なデータだけをロードします。 ID NAME Value Date 1 AAA 1002 8/11... ２ BBB 33756 8/12... ... ... ... ... ID NAME Value Date 1 03fac254 c90876ac 8/11... ２ 03ff87b1 2ab096c9 8/12... ... ... ... ... 一般的な行指向データベース ?すべての列を読み込んでメモリ展開。 MapDのカラムナーデータベース ?必要な列だけ読み込んでメモリ展開。 ?できるだけGPUメモリに保持。 ?4,8,16バイトの固定長レコード(ポイン タアクセス可能） 6
- 9. Supermicro SYS-1027GR-TF+ NVIDIA Tesla P40 × 1 ｜ コア数 3,840 │ メモリ 24G │ 単精度演算 12TFLOPS │ 消費電力 250W Xeon E5-2620 (6core) ×2 DDR3-1333 384G
- 10. 性能比較 その１ 平均値の算出 select avg(arrdelay) from flights where origin_point @ ST_MakeEnvelope(20, -160, 50, -80, 4326); select avg(arrdelay) from flights where origin_lon between -160 and -80 and origin_lat between 20 and 50; 空間インデクスが ない場合は32秒 空間インデクス なし
- 11. 性能比較 その２ GROUP BY select uniquecarrier, count(*), avg(arrdelay) from flights where origin_point @ ST_MakeEnvelope(20, -160, 50, -80, 4326) group by uniquecarrier; select uniquecarrier, count(*), avg(arrdelay) from flights where origin_lon between -160 and -80 and origin_lat between 20 and 50 group by uniquecarrier; 空間インデクスが ない場合は61秒 空間インデクス なし