Ускорение обработки данных на GPU с использованием сжатия FastLanes

Мы показываем, что сжатие может обеспечить двойной выигрыш при обработке данных на GPU: оно не только позволяет хранить больше данных в глобальной памяти GPU, но и может ускорить обработку данных. Мы показываем, что полный пересмотр сжатого столбцового хранения в FastLanes, использующего полностью распараллеленные по данным методы битовой упаковки и кодирования, также обеспечивает преимущества для аппаратных средств GPU. Мы проводим микроbenchmarking производительности FastLanes на двух архитектурах GPU (NVIDIA T4 и V100) и интегрируем FastLanes в прототип обработки запросов на GPU Crystal. Результаты экспериментов показывают, что декомпрессия FastLanes значительно превосходит предыдущие методы декомпрессии в микроbenchmarking-тестах и может ускорить сквозное выполнение запросов SSB до двух раз по сравнению с обработкой запросов без сжатия — в отличие от предыдущих работ, в которых декомпрессия на GPU приводила к замедлению выполнения. Кроме того, мы обнаружили, что гранулярность доступа при декодировании векторов из 1024 значений слишком велика для одного GPU-варпа из-за нагрузки на регистры. Для устранения этой проблемы мы используем мини-векторы; вопрос о дальнейшем снижении этой гранулярности при минимальном влиянии на эффективность остается задачей будущих исследований.