騰訊雲端資料庫再次受到頂尖會議認可,論文成功入選VLDB2023
在第49屆資料庫國際頂會VLDB大會上,騰訊雲端TDSQL的2篇論文成功被VLDB 2023收錄,再次證明了創新技術受到國際頂級會議VLDB的認可
#作為資料庫領域的三大頂尖會議之一,VLDB每屆會議都集中展示了當前資料庫研究的最前沿方向以及工業界的最新應用,吸引了許多全球頂級科技公司和研究機構的參與。因會議對系統創新性、完整性、實驗設計等方面都要求極高,VLDB會議的論文接受率整體較低(約 18%)。
入選論文中,騰訊雲與南京大學、蘇黎世聯邦理工學院(ETH) 合作研發的《Efficient Black-box Checking of Snapshot Isolation in Databases》解決方案,提出了一種新穎的黑盒檢查器-PolySI,它能有效率地檢查快照隔離(Snapshot isolation,SI),並在偵測到違規時提供可理解的反例。
快照隔離是一種常見的弱隔離級別,它避免了串列化所帶來的效能損失,同時可以防止許多常見的資料異常。然而,某些聲稱提供快照隔離保證的生產雲資料庫仍會產生SI資料異常,尤其在金融領域,會造成巨大影響。業界現有同類工具不是不支援快照隔離等級的測試,就是效率較低。鑑於資料庫系統的複雜性,以及通常無法取得資料庫內部資訊的現狀,業內亟需一種黑盒快照隔離檢查器。
為了解決這個問題,我們提出並設計了"PolySI"演算法和工具。 PolySI的理論基礎是基於廣義多圖(Generalized Polygraphs,GPs)的SI刻畫定理,該定理保證了PolySI的正確性和完整性。 PolySI採用SMT求解器(MonoSAT),並利用GPs的緊湊約束編碼方案以及領域特定優化加速SMT求解
目前,透過廣泛的評估,PolySI成功地重現了已知的SI異常,並在三個生產雲資料庫中偵測到了新的SI異常、提供了可理解的反例。 PolySI在多類工作負載下均優於目前最先進的SI黑盒檢查器,並且能夠擴展到大規模工作負載。
根據了解,騰訊雲與西蒙菲莎大學聯合完成的《Online Schema Evolution is (Almost) Free for Snapshot Databases》論文介紹了一種名為"Tesseract"的新型在線和事務性模式演化方法,旨在解決資料庫在線修改schema過程中所面臨的挑戰
當前,現代資料庫應用經常根據不斷變化的需求進行模式更改,資料庫在線修改schema的主要優勢在於,無需停止資料庫服務或中斷正在進行的事務,即可進行結構修改,這使得資料庫能夠在滿足動態變化需求的同時,無需停機維護或重新啟動資料庫。
在現有資料庫系統中,雖然支援線上和事務性模式(schema)演化,但也面臨一些挑戰。首先是資料一致性問題,當進行結構修改時,為了確保資料的一致性,需要採用交易或其他機制來確保資料的完整性和正確性。其次是長時間運行的問題,一些結構修改可能需要較長的時間來完成,特別是對於大型資料庫或複雜結構的修改,這可能對資料庫的效能產生一定的影響。因此,需要在適當的時間窗口進行修改,以最小化對業務的影響
在過去的解決方案中,通常會採用臨時方法對模式演化進行“補丁”,應用於現有系統,這導致了許多邊緣情況和功能不完整的問題。因此,應用程式通常需要仔細安排停機時間來進行模式更改,從而犧牲了可用性
為了避免上述缺點,Tesseract的出現是有效的。在廣泛使用的多版本資料庫系統中,模式演化可以被建模為對整個表進行資料修改操作,也就是所謂的資料定義即修改(DDaM)。這樣一來,Tesseract可以透過利用並發控制協定幾乎零成本地支援模式
在Tesseract應用測試中,我們對現有的快照隔離協定進行了簡單調整。在40核心伺服器上的工作負載下,Tesseract能夠實現線上、事務性的模式演化,而無需停機,並且在演化過程中保持高應用效能
透過參與資料庫頂級會議VLDB,騰訊雲將資料庫領域的最新技術突破及創新方向,同步和全球技術開發者分享,這也為資料庫領域的技術和產業發展提供了極有價值的參考案例。未來,騰訊雲將持續改善與資料庫相關的技術、產品和生態能力,為各行各業提供便利、易用的資料庫服務。
以上是騰訊雲端資料庫再次受到頂尖會議認可,論文成功入選VLDB2023的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

熱門話題

同樣是圖生視頻,PaintsUndo走出了不一樣的路線。 ControlNet作者LvminZhang又開始整活了!這次瞄準繪畫領域。新項目PaintsUndo剛上線不久,就收穫1.4kstar(還在瘋狂漲)。項目地址:https://github.com/lllyasviel/Paints-UNDO透過這個項目,用戶輸入一張靜態圖像,PaintsUndo就能自動幫你生成整個繪畫的全過程視頻,從線稿到成品都有跡可循。繪製過程,線條變化多端甚是神奇,最終視頻結果和原始圖像非常相似:我們再來看一個完整的繪

AIxiv專欄是本站發布學術、技術內容的欄位。過去數年,本站AIxiv專欄接收通報了2,000多篇內容,涵蓋全球各大專院校與企業的頂尖實驗室,有效促進了學術交流與傳播。如果您有優秀的工作想要分享,歡迎投稿或聯絡報道。投稿信箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com在人工智慧領域的發展過程中,對大語言模型(LLM)的控制與指導始終是核心挑戰之一,旨在確保這些模型既強大又安全地服務人類社會。早期的努力集中在透過人類回饋的強化學習方法(RL

AIxiv專欄是本站發布學術、技術內容的欄位。過去數年,本站AIxiv專欄接收通報了2,000多篇內容,涵蓋全球各大專院校與企業的頂尖實驗室,有效促進了學術交流與傳播。如果您有優秀的工作想要分享,歡迎投稿或聯絡報道。投稿信箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com這篇論文的作者皆來自伊利諾大學香檳分校(UIUC)張令明老師團隊,包括:StevenXia,四年級博士生,研究方向是基於AI大模型的自動代碼修復;鄧茵琳,四年級博士生,研究方

如果AI模型給的答案一點也看不懂,你敢用嗎?隨著機器學習系統在更重要的領域中得到應用,證明為什麼我們可以信任它們的輸出,並明確何時不應信任它們,變得越來越重要。獲得對複雜系統輸出結果信任的一個可行方法是,要求系統對其輸出產生一種解釋,這種解釋對人類或另一個受信任的系統來說是可讀的,即可以完全理解以至於任何可能的錯誤都可以被發現。例如,為了建立對司法系統的信任,我們要求法院提供清晰易讀的書面意見,解釋並支持其決策。對於大型語言模型來說,我們也可以採用類似的方法。不過,在採用這種方法時,確保語言模型生

乾杯!當論文討論細緻到詞句,是什麼體驗?最近,史丹佛大學的學生針對arXiv論文創建了一個開放討論論壇——alphaXiv,可以直接在任何arXiv論文之上發布問題和評論。網站連結:https://alphaxiv.org/其實不需要專門訪問這個網站,只需將任何URL中的arXiv更改為alphaXiv就可以直接在alphaXiv論壇上打開相應論文:可以精準定位到論文中的段落、句子:右側討論區,使用者可以發表問題詢問作者論文想法、細節,例如:也可以針對論文內容發表評論,例如:「給出至

把因果鏈展示給LLM,它就能學會公理。 AI已經在幫助數學家和科學家做研究了,例如著名數學家陶哲軒就曾多次分享自己借助GPT等AI工具研究探索的經驗。 AI要在這些領域大戰拳腳,強大可靠的因果推理能力是不可或缺的。本文要介紹的研究發現:在小圖譜的因果傳遞性公理演示上訓練的Transformer模型可以泛化用於大圖譜的傳遞性公理。也就是說,如果讓Transformer學會執行簡單的因果推理,就可能用於更複雜的因果推理。該團隊提出的公理訓練框架是一種基於被動資料來學習因果推理的新範式,只有演示

最近,被稱為千禧年七大難題之一的黎曼猜想迎來了新突破。黎曼猜想是數學中一個非常重要的未解決問題,與素數分佈的精確性質有關(素數是那些只能被1和自身整除的數字,它們在數論中扮演著基礎性的角色)。在當今的數學文獻中,已有超過一千個數學命題以黎曼猜想(或其推廣形式)的成立為前提。也就是說,黎曼猜想及其推廣形式一旦被證明,這一千多個命題將被確立為定理,對數學領域產生深遠的影響;而如果黎曼猜想被證明是錯誤的,那麼這些命題中的一部分也將隨之失去其有效性。新的突破來自MIT數學教授LarryGuth和牛津大學

AIxiv专栏是本站发布学术、技术内容的栏目。过去数年,本站AIxiv专栏接收报道了2000多篇内容,覆盖全球各大高校与企业的顶级实验室,有效促进了学术交流与传播。如果您有优秀的工作想要分享,欢迎投稿或者联系报道。投稿邮箱:liyazhou@jiqizhixin.com;zhaoyunfeng@jiqizhixin.com。引言近年来,多模态大型语言模型(MLLM)在各个领域的应用取得了显著的成功。然而,作为许多下游任务的基础模型,当前的MLLM由众所周知的Transformer网络构成,这种网
