1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα. 2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation.

1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα

2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation Details False Drop Analysis XJoin

4 Binary Hash Joins Η μία σχέση (build input) χωράει στη μνήμη  Διαβάζεται η build input και δημιουργείται ο πίνακας κατακερματισμού με βάση το πεδίο της συνένωσης  Διαβάζονται μία-μία οι εγγραφές της άλλης σχέσης (probe input) και παράγεται το αποτέλεσμα της συνένωσης Το build input δεν χωράει στη μνήμη  Διαβάζονται οι δύο σχέσεις και διαμερίζονται αναδρομικά με βάση μια συνάρτηση κατακερματισμού στο πεδίο της συνένωσης σε διαμερίσεις που χωράνε στη μνήμη  Πραγματοποιείται Binary Hash Join μεταξύ των αντίστοιχων διαμερίσεων των δύο σχέσεων

5 Διαμέριση (Partitioning) 0 1 2 ………… ………… n-3 n-2 n-1 R X… 4 … 21 … 6 … 9 … 18 … 27 … S …X … … 9 … 18 … 4 … 6 … 21 … 27 … 4 … 6 … 9 … 18 … Hash Table............ 21 … 27 … 4 … 6 … 9 … 18 …...... Partitions of R 27 … 9 … 6 … 4 … 18 …...... Partitions of S R X S

6 Binary Hash Joins Η πρώτη περίπτωση ονομάζεται in-memory hash join Η δεύτερη περίπτωση  Όταν δεν χρειάζονται πολλαπλά επίπεδα διαμέρισης ονομάζεται Grace hash join  Όταν χρειάζονται πολλαπλά επίπεδα διαμέρισης ονομάζεται recursive hash join Συνδυασμός των δύο περιπτώσεων ονομάζεται hybrid hash join  Κάποια buckets (που χωράνε στη μνήμη) γίνονται build και probe στη μνήμη, ενώ οι εγγραφές που ανήκουν στα υπόλοιπα buckets (που δεν χωράνε στη μνήμη) τοποθετούνται (spill) σε διαμερίσεις στο δίσκο  Οι spilled διαμερίσεις συνενώνονται με Grace ή recursive hash join

8 Binary Hash Joins with Grouping/Aggregation Ερωτήσεις που περιέχουν ένα join και ένα group by Παράδειγμα ερώτησης: συνολική τιμή όλων των παραγγελιών ομαδοποιημένες με βάση την πόλη. select c.City, sum(o.Value) from Customer c, Order o where c.C# = o.C# group by c.City; Customer(C#, City) Order(O#, C#, Value)

9 Traditional Execution Plan Βήματα εκτέλεσης  Διαμερίζονται οι σχέσεις Customer και Order με βάση το πεδίο της συνένωσης C#  Πραγματοποιείται η συνένωση των αντίστοιχων διαμερίσεων (partition) και προκύπτει το ενδιάμεσο αποτέλεσμα  Αν το ενδιάμεσο αποτέλεσμα δεν χωράει στη μνήμη διαμερίζεται με βάση το πεδίο City  Πραγματοποιείται η ομαδοποίηση και η συνάθροιση σε κάθε διαμέριση και παράγεται το τελικό αποτέλεσμα Agg OrderCustomer Ptn on C# Ptn on City C# City select c.City, sum(o.Value) from Customer c, Order o where c.C# = o.C# group by c.City;

10 Generalized Hash Teams Βήματα εκτέλεσης  Διαμερίζεται η σχέση Customer με βάση το πεδίο City και ταυτόχρονα δημιουργείται ένα bitmap για κάθε διαμέριση  Με βάση τα bitmaps πραγματοποιείται η έμμεση διαμέριση της σχέσης Order (ως προς το City)  Πραγματοποιείται η συνένωση των αντίστοιχων διαμερίσεων (partition) και προκύπτει το ενδιάμεσο αποτέλεσμα  Πραγματοποιείται η ομαδοποίηση και η συνάθροιση σε κάθε διαμέριση και παράγεται το τελικό αποτέλεσμα Bit- maps (BM) Order Customer Ptn on City Ptn on BM Agg C# City select c.City, sum(o.Value) from Customer c, Order o where c.C# = o.C# group by c.City;

11 Generalized Hash Teams Customer C#City 5PA 13M 3NYC 9B 17LA 10HH 4NYC 7LA 6B 25M 23PA 42HH Order O#C#Value 23413 27954 72510 591013 10366 221742 43533 6945 194275 40101 2879 33651 42534 24130 3712 B1 0 0 0 1 0 1 0 0 0 0 B2 1 0 1 0 0 0 1 0 0 1 B3 0 0 0 1 1 0 0 1 0 0 1+(4 mod 10) = 5 1+(9 mod 10) = 10 1+(25 mod 10) = 6 1+(4 mod 10) = 5 1+(3 mod 10) = 4

12 Generalized Hash Teams Customer1 C#City 5PA 13M 25M 23PA Order1 O#C#Value 72510 366 43533 42534 24130 Aggr City CityValue PA33 M10 C# AggrCity

13 Generalized Hash Teams Customer2 C#City 9B 10HH 6B 42HH Order2 O#C#Value 27954 591013 6945 194275 40101 33651 Aggr City CityValue B150 HH89 C# AggrCity

14 Generalized Hash Teams Customer3 C#City 3NYC 17LA 4NYC 7LA Order3 O#C#Value 23413 10366 221742 2879 24130 3712 Aggr City CityValue NYC79 LA63 C# AggrCity

15 Generalized Hash Teams – False Drops Η τοποθέτηση μιας πλειάδας της σχέσης η οποία διαμερίζεται με βάση το bitmap, σε κάποια / ες επιπλέον διαμερίσεις ονομάζεται false drop Τα false drop δεν επηρεάζουν τη σωστή λειτουργία του αλγορίθμου αλλά έχουν αρνητικό αντίκτυπο στην απόδοση (Ι/Ο) Ο αριθμός των false drops εξαρτάται από το μήκος του bitmap και τη συνάρτηση κατακερματισμού

16 Generalized Hash Teams vs. Traditional Execution Plan Μειώνει το κόστος I/O που προκύπτει από την διαμέριση του ενδιάμεσου αποτελέσματος όταν αυτό δεν χωράει στην Κύρια Μνήμη Απαιτούν επιπρόσθετο χώρο στη μνήμη και CPU time για τα bitmaps Πιθανόν να αυξηθεί το κόστος I/O όταν υπάρχουν false drops Καταλληλότερα όταν υπάρχει συναρτησιακή εξάρτηση του πεδίου συνάθροισης από το πεδίο συνένωσης  Διαφορετικά το κόστος I/O αυξάνεται λόγω της τοποθέτησης πλειάδων σε πολλαπλές διαμερίσεις (partition overlapping)

17 Partition Nested Loops Βήματα εκτέλεσης 1. Η σχέση Customer διαμερίζεται με βάση το πεδίο City 2. Διαβάζεται η σχέση Order, προβάλλονται τα σχετικά πεδία, εφαρμόζονται (αν υπάρχουν) τα predicates και η τροποποιημένη σχέση Order γράφεται στο δίσκο 3. Διαβάζεται η πρώτη διαμέριση της σχέσης Customer και δημιουργείται ένα hash table στη μνήμη με βάση το πεδίο C#. Διαβάζεται η τροποποιημένη σχέση Order (ανά block) και βρίσκονται οι πλειάδες της που αντιστοιχούν στης πλειάδες της διαμέρισης της σχέσης Customer. Ταυτόχρονα εκτελείται η συνάθροιση 4. Επαναλαμβάνεται το βήμα 3 για όλες τις υπόλοιπες διαμερίσεις της σχέσης Customer  Τα βήματα 2 και 3 για την πρώτη διαμέριση της σχέσης Customer μπορούν να εκτελεστούν ταυτόχρονα ώστε μειωθεί το κόστος I/O  Αν δεν κερδίζουμε κάτι από το βήμα 2 αυτό μπορεί να παραλειφθεί select c.City, sum(o.Value) from Customer c, Order o where c.C# = o.C# group by c.City;

18 Partition Nested Loops vs. Generalized Hash Teams Υψηλό κόστος αν η σχέση Customer είναι μεγάλη (που συνεπάγεται περισσότερες διαμερίσεις άρα και περισσότερες αναγνώσεις της σχέσης Order) Καλύτερη απόδοση αν αναμένεται να υπάρχουν πολλά false drops Χρειάζονται λιγότερη μνήμη στη φάση της διαμέρισης (δεν υπάρχουν bitmaps)

20 Traditional Multi-Way Hash Join R A A S T R S A A T A A Result Βήματα εκτέλεσης  Διαμερίζονται οι σχέσεις R, S με βάση το πεδίο A  Συνενώνονται οι αντίστοιχες διαμερίσεις και δημιουργεί- ται το ενδιάμεσο αποτέλεσμα  Διαμερίζονται το ενδιάμεσο αποτέλεσμα και η σχέση Τ  Συνενώνονται οι αντίστοιχες διαμερίσεις και παράγεται το τελικό αποτέλεσμα R.A S.A T.A

21 Multi-Way Hash Teams Join Βήματα εκτέλεσης  Διαμερίζονται σε ένα πέρασμα οι σχέσεις R, S, T  Συνενώνονται οι αντίστοιχες διαμερίσεις (όπως φαίνεται στο σχήμα) και παράγεται το τελικό αποτέλεσμα. R A A S T R S A A T Result A A S.A T.A R.A

22 Multi-Way Hash Teams Join vs. Traditional Multi-Way Hash Join Μείωση του κόστους I/O διότι διαμερίζονται μόνο οι σχέσεις που συνενώνονται και όχι τα ενδιάμεσα αποτελέσματα Μπορεί να γίνει μόνο αν όλες οι συνενώσεις γίνονται με βάση το ίδιο πεδίο Λύση  Generalized Hash Team Join

23 Multi-Way Generalized Hash Teams Join Βήματα εκτέλεσης  Διαμερίζεται η σχέση R με βάση το πεδίο Α  Διαμερίζεται η σχέση S με βάση το πεδίο Α και ταυτόχρονα δημιουργούνται τα bitmaps με βάση το B  Διαμερίζεται η σχέση T με βάση τα bitmaps.  Συνενώνονται οι αντίστοιχες διαμερίσεις (όπως φαίνεται στο σχήμα) και παράγεται το τελικό αποτέλεσμα. R Β A S T R S A A T Result B BS.A BT.B R.A Bitmaps on B(BT.B)

24 Multi-Way Generalized Hash Teams Join with Grouping/Aggregation Παράδειγμα ερώτησης με διπλή συνένωση, group by και aggregation  Συνολικό κόστος όλων των παραγγελιών ομαδοποιημένες με βάση την πόλη select c.City, sum(l.Price) from Customer c, Order o, Lineitem l where c.C# = o.C# and l.O# = o.O# group by c.City; Customer(C#, City) Order(O#, C#, Value) Lineitem(l#, O#, Price)

25 Multi-Way Generalized Hash Teams Join with Grouping/Aggregation Τρόπος εκτέλεσης της ερώτησης (Generalized Hash Team Join)  Διαμερίζεται η σχέση Customer με βάση το πεδίο City και ταυτόχρονα δημιουργούνται τα bitmaps με βάση το πεδίο C#  Διαμερίζεται η σχέση Order με βάση τα bitmaps που δημιούργησε η Customer και ταυτόχρονα δημιουργούνται τα bitmaps με βάση το πεδίο Ο#  Διαμερίζεται η σχέση Lineitem με βάση τα bitmaps που δημιούργησε η Order  Πραγματοποιείται η συνένωση των αντίστοιχων διαμερίσεων select c.City, sum(l.Price) from Customer c, Order o, Lineitem l where c.C# = o.C# and l.O# = o.O# group by c.City;

26 Multi-Way Generalized Hash Teams Join with Grouping/Aggregation Στο παράδειγμά μας οι συνενώσεις των διαμερίσεων μπορούν να εκτελεστούν με δύο διαφορετικές διατάξεις. Η απόφαση λαμβάνεται με βάση το κόστος εκτέλεσης

27 Multi-Way Generalized Hash Teams Join with Grouping/Aggregation Το κόστος μνήμης αυξάνεται λόγω της διατήρησης δύο συνόλων bitmaps (με βάση το C# και με βάση το O#)  Το κόστος αυτό μπορεί να μειωθεί διαγράφοντας τα bitmaps με βάση το C# μετά τη διαμέριση της σχέσης Order Στο παράδειγμα υπάρχουν οι συναρτησιακές εξαρτήσεις Ο#  C#  City άρα το generalized hash team join είναι η κατάλληλη τεχνική (no overlapping partitions)

29 Implementation Details – Fine-Tuning the Indirect Partitioning Phase R …A …4 …5 …6 …3 10 00 10 11 00 10 010 000 010 011 000 100 1 0 0 1 0 0 0 0 0 0 1 0 0 1 0 1 1 … Bitmaps used collision B1B2B3 used = B1|B2| … | Bn collision[k]= 1 : if exists i  j  {1,…,n} s.t. Bi[k]==Bj[k]==1 0 : otherwise

30 Teaming up the Hash Join and the Aggregation – Build Phase 5 PA M 13 25 23

31 Teaming up the Hash Join and the Aggregation – Probe Phase 5 PA M 13 25 23 10 1

33 F. D. Analysis CO C1 C3 C2 O1 O2 O3.. 1 0 0 1 1 0 B1 B3 B2 i i i j j j h( ) = h( ) = i h( ) = h( ) = j select c.City, sum(o.Value) from Customer c, Order o where c.C# = o.C# group by c.City;

34 False Drop Analysis - Binary Hash Joins with Grouping/Aggregation n : αριθμός διαμερίσεων b : μήκος κάθε bitmap της σχέσης Customer c : πλήθος customers o : πλήθος orders η πιθανότητα ένας customer να θέσει ένα bit των bitmap η πιθανότητα ένας customer να μη θέσει το συγκεκριμένο bit των bitmap η πιθανότητα μόνο ένας customer να έχει θέσει το συγκεκριμένο bit των bitmap η πιθανότητα παραπάνω από ένας customer να έχει θέσει το συγκεκριμένο bit των bitmap  πιθανότητα για ένα false drop

35 False Drop Analysis - Binary Hash Joins with Grouping/Aggregation ο συνολικός αριθμός των false drops για όλα τα orders σε όλες τις n -1 διαμερίσεις Υποθέσεις  Η συνάρτηση κατακερματισμού θέτει ομοιόμορφα τα bit σε κάθε bitmap (διαφορετικά ο αριθμός των false drops θα ήταν πολύ μεγάλος)  Οι customers κατανέμονται ομοιόμορφα στις διαμερίσεις (διαφορετικά ο αριθμός των false drops θα μειώνονταν) Τύπος με μικρότερο υπολογιστικό κόστος η πιθανότητα δύο customers να θέσουν το ίδιο bit

36 False Drop Analysis – Multi-way Hash Joins Για τη διαμέριση της σχέσης Order ισχύει η προηγούμενη ανάλυση Κατά τη διαμέριση της σχέσης Lineitem εμφανίζονται false drops με δύο τρόπους: 1. Orders που ανήκουν σε διαφορετικές διαμερίσεις θέτουν το ίδιο bit στους bitmaps. 2. Τα false drops που εμφανίζονται κατά τη διαμέριση της σχέσης Order προκαλούν false drops κατά τη διαμέριση της σχέσης Lineitem (false drop propagation) select c.City, sum(l.Price) from Customer c, Order o, Lineitem l where c.C# = o.C# and l.O# = o.O# group by c.City;

37 F. D. Analysis OL O1 O2 O3.. 1 1 1 1 B1 B3 B2 i i j j h( ) = i h( ) = j select c.City, sum(l.Price) from Customer c, Order o, Lineitem l where c.C# = o.C# and l.O# = o.O# group by c.City; L1 L2 L3

38 False Drop Analysis – Multi-way Hash Joins l : πλήθος lineitems bο : μήκος κάθε bitmap της σχέσης Order fο : εκτίμηση του αριθμού των false drops κατά τη διαμέριση της σχέσης Order ο αριθμός των false drop για την πρώτη περίπτωση ο αριθμός των false drop για την δεύτερη περίπτωση select c.City, sum(l.Price) from Customer c, Order o, Lineitem l where c.C# = o.C# and l.O# = o.O# group by c.City;

40 Xjoin - Γενικά Απευθύνεται σε ερωτήσεις πάνω σε ευρέως κατανεμημένες πηγές δεδομένων Τα δεδομένα (σχέσεις - πλειάδες) προέρχονται από απομακρυσμένες πηγές Αυτό επιφέρει καθυστέρηση στην παραγωγή αποτελέσματος λόγω  Καθυστέρησης στην άφιξη των πρώτων δεδομένων (πλειάδων)  Αργού ρυθμού άφιξης δεδομένων  Bursty άφιξης δεδομένων

41 Xjoin - Γενικά Επιτυγχάνει καλύτερη αλληλεπιδραστική απόδοση παράγοντας αποτελέσματα «αυξητικά» Επιτρέπει την συνεχή εκτέλεση της ερώτησης ακόμα και όταν τα δεδομένα καθυστερούν από μία ή και της δύο πηγές. Πως;  Επεξεργασία στο background δεδομένων που έχουν ληφθεί προηγουμένως, ενώ δεν φθάνουν δεδομένα από τις πηγές

42 Xjoin - Θέματα Διαχείριση ροής δεδομένων μεταξύ μνήμης και σκληρού δίσκου Έλεγχος της επεξεργασίας που πραγματοποιείται στο background Παραγωγή όλων των αποτελεσμάτων (πλήρη απάντηση στην ερώτηση) Απαλοιφή διπλότυπων από το αποτέλεσμα

43 Xjoin - Λειτουργία Κάθε είσοδος (σχέση) της ερώτησης διαμερίζεται σε έναν αριθμό από διαμερίσεις με βάση μια συνάρτηση κατακερματισμού Κάθε διαμέριση P iA μίας σχέσης A αποτελείται από δύο κομμάτια  Ένα κομμάτι που βρίσκεται στη μνήμη MP iA  Ένα κομμάτι που βρίσκεται στο δίσκο DP iA P iA = MP iA  DP iA και MP iA  DP iA =  Κάθε πλειάδα που φθάνει τοποθετείται στην αντίστοιχη διαμέριση αν υπάρχει χώρος στη μνήμη διαφορετικά κάποια διαμέριση μεταφέρεται στο δίσκο

44 D I S K Tuple B hash(Tuple B) = n SOURCE-B Memory-resident partitions of source B... k1 n flush Disk-resident partitions of source B... Disk-resident partitions of source A Memory-resident partitions of source A...... 1 SOURCE-A M E M O R Y... n 1n1kn Tuple A hash(Tuple A) = 1

45 Xjoin - Λειτουργία Το XJoin αποτελείται από τρία στάδια  Το πρώτο στάδιο συνενώνει πλειάδες που βρίσκονται στη μνήμη Μπλοκάρει όταν δεν φθάνουν δεδομένα από καμία πηγή Τερματίζει όταν έχει λάβει όλες τις πλειάδες από τις δύο πηγές  Το δεύτερο στάδιο συνενώνει πλειάδες της μίας σχέσης που βρίσκονται στο δίσκο με πλειάδες της άλλης σχέσης που βρίσκονται στη μνήμη Ενεργοποιείται όταν μπλοκάρει το πρώτο στάδιο Σταματάει όταν επανενεργοποιείται το πρώτο στάδιο  Το τρίτο στάδιο παράγει αποτελέσματα τα οποία δεν παράχθηκαν από τα υπόλοιπα στάδια

46 XJoin – Στάδιο 1 hash(record B) = j Partitions of source B......... ii M E M O R Y j Partitions of source A j SOURCE-B Tuple B SOURCE-A Tuple A hash(record A) = i......... insert probe Output

47 XJoin – Στάδιο 2 Partitions of source BPartitions of source A M E M O R Y i....... i i D I S K i Output....... Partitions of source BPartitions of source A..... DP iA MP iB probe

48 XJoin - Στάδιο 3 Το πρώτο στάδιο δεν συνενώνει πλειάδες που δεν βρίσκονται ταυτόχρονα στη μνήμη Το δεύτερο στάδιο δεν συνενώνει δύο πλειάδες αν η μία δεν βρισκόταν στη μνήμη όταν η άλλη μεταφέρθηκε από το δίσκο στη μνήμη Το τρίτο στάδιο συνενώνει όλες τις διαμερίσεις (που βρίσκονται στη μνήμη ή στο δίσκο) των δύο σχέσεων

49 Απαλοιφή διπλοτύπων από το πρώτο στάδιο Tuple X ATSDTS Για κάθε πλειάδα συντηρούνται timestamps ATS : ο χρόνος όταν η πλειάδα έφθασε από την πηγή DTS : ο χρόνος όταν η πλειάδα μεταφέρθηκε στο δίσκο Tuple X 99235 Παράδειγμα

50 Ανίχνευση πλειάδων που συνενώθηκαν στο πρώτο στάδιο Tuple A 102234 Tuple B1 178198 Tuples joined in the first stage DTSATS Overlapping Tuple A 102234 Tuple B2 348601 Tuples not joined in the first stage DTSATS Non-Overlapping

51 Απαλοιφή διπλοτύπων από το δεύτερο στάδιο Για κάθε διαμέριση διατηρείται μια συνδεδεμένη λίστα με στοιχεία της μορφής {DTSlast, ProbeTS}  DTSlast : το DTS της τελευταίας πλειάδας του κομματιού τις διαμέρισης που βρίσκεται στο δίσκο, το οποίο επεξεργαστικέ από το δεύτερο στάδιο  ProbeTS : ο χρόνος εκτέλεσης του δευτέρου σταδίου

52 Ανίχνευση πλειάδων που συνενώθηκαν στο δεύτερο στάδιο Tuple A DTS 20340250550300700 100200 ATS ProbeTS DTS last Tuple B DTS 100300800900 500600 ATS Overlap History list for the corresponding partitions

53 Έλεγχος εκτέλεσης του δευτέρου σταδίου Το κόστος από την εκτέλεση του δευτέρου σταδίου κρύβεται μόνο όταν και οι δύο πηγές (είσοδοι) καθυστερούν Προτείνεται μηχανισμός για τον περιορισμό του δεύτερου σταδίου στην επεξεργασία μόνο των διαμερίσεων που αναμένεται να παράγουν σημαντικό αποτέλεσμα (μεγάλο αριθμό πλειάδων) Κατώφλι ενεργοποίησης  ποσοστό του συνολικού αριθμού πλειάδων που αναμένεται να παραχθούν από μία διαμέριση ως αποτέλεσμα της συνένωσης της Παράδειγμα  Μια διαμέριση αναμένεται να παράγει 1000 πλειάδες  Κατώφλι 0.01 επιτρέπει το δεύτερο στάδιο να εκτελεστεί αν αναμένεται να παράγει 10 ή παραπάνω πλειάδες Δυναμική ρύθμιση του κατωφλίου: aggressive  conservative

54 References G. Graefe, R. Bunker, S. Cooper: Hash Joins and Hash Teams in Microsoft SQL Server. VLDB 1998. pp. 86-97 A. Kemper, D. Kossmann, C. Wiesner. Generalized hash teams for join and group-by. VLDB 1999. pp. 30-41 T. Urhan, M. J. Franklin. XJoin: A ReactivelyScheduled Pipelined Join Operator. IEEE Data Engineering Bulletin, 23(2):27--33, June 2000

55 Ερωτήσεις

1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα. 2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation.

Παρόμοιες παρουσιάσεις

Παρουσίαση με θέμα: "1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα. 2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation."— Μεταγράφημα παρουσίασης:

Παρόμοιες παρουσιάσεις

Σχετικά με το έργο

Σχόλια

Είσοδος

Σύνδεση μέσω των κοινωνικών δικτύων:

1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα. 2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation.

Παρόμοιες παρουσιάσεις

Παρουσίαση με θέμα: "1 Θέματα Hash Join Κώστας Λίλλης Ελένη Γεώργα. 2 Θεματολόγιο Binary Hash Joins Binary Hash Joins with Aggregation Multi-Way Hash Joins Implementation."— Μεταγράφημα παρουσίασης:

Παρόμοιες παρουσιάσεις

Σχετικά με το έργο

Σχόλια