腾讯云数据库再次受到顶级会议认可,论文成功入选VLDB2023
在第49届数据库国际顶会VLDB大会上,腾讯云TDSQL的2篇论文成功被VLDB 2023收录,再次证明了创新技术受到国际顶级会议VLDB的认可
作为数据库领域的三大顶级会议之一,VLDB每届会议都集中展示了当前数据库研究的最前沿方向以及工业界的最新应用,吸引了众多全球顶级科技公司和研究机构的参与。因会议对系统创新性、完整性、实验设计等方面都要求极高,VLDB会议的论文接受率总体较低(约 18%)。
入选论文中,腾讯云与南京大学、苏黎世联邦理工学院(ETH) 合作研发的《Efficient Black-box Checking of Snapshot Isolation in Databases》解决方案,提出了一种新颖的黑盒检查器——PolySI,它能高效地检查快照隔离(Snapshot isolation,SI),并在检测到违规时提供可理解的反例。
快照隔离是一种常见的弱隔离级别,它避免了串行化所带来的性能损失,同时可以防止很多常见的数据异常。然而,某些声称提供快照隔离保证的生产云数据库仍会产生SI数据异常,尤其在金融领域,会造成巨大影响。业界现有同类工具要么不支持快照隔离级别的测试,要么效率较低。鉴于数据库系统的复杂性,以及通常无法获取数据库内部信息的现状,业内亟需一种黑盒快照隔离检查器。
为了解决这个问题,我们提出并设计了"PolySI"算法和工具。PolySI的理论基础是基于广义多图(Generalized Polygraphs,GPs)的SI刻画定理,该定理保证了PolySI的正确性和完备性。PolySI采用SMT求解器(MonoSAT),并利用GPs的紧凑约束编码方案以及领域特定优化加速SMT求解
目前,通过广泛的评估,PolySI成功地重现了已知的SI异常,并在三个生产云数据库中检测到了新的SI异常、提供了可理解的反例。PolySI在多类工作负载下均优于目前最先进的SI黑盒检查器,并能够扩展到大规模工作负载。
根据了解,腾讯云与西蒙菲莎大学联合完成的《Online Schema Evolution is (Almost) Free for Snapshot Databases》论文介绍了一种名为"Tesseract"的新型在线和事务性模式演化方法,旨在解决数据库在线修改schema过程中所面临的挑战
当前,现代数据库应用经常根据不断变化的需求进行模式更改,数据库在线修改schema的主要优势在于,无需停止数据库服务或中断正在进行的事务,即可进行结构修改,这使得数据库能够在满足动态变化需求的同时,无需停机维护或重新启动数据库。
在现有数据库系统中,虽然支持在线和事务性模式(schema)演化,但也面临着一些挑战。首先是数据一致性问题,当进行结构修改时,为了保证数据的一致性,需要采用事务或其他机制来确保数据的完整性和正确性。其次是长时间运行的问题,一些结构修改可能需要较长的时间来完成,特别是对于大型数据库或复杂结构的修改,这可能对数据库的性能产生一定的影响。因此,需要在适当的时间窗口进行修改,以最小化对业务的影响
在过去的解决方案中,通常会采用临时方法对模式演化进行“补丁”,应用于现有系统,这导致了许多边缘情况和功能不完整的问题。因此,应用程序通常需要仔细安排停机时间来进行模式更改,从而牺牲了可用性
为了避免上述缺点,Tesseract的出现是有效的。在广泛使用的多版本数据库系统中,模式演化可以被建模为对整个表进行数据修改操作,也就是所谓的数据定义即修改(DDaM)。这样一来,Tesseract可以通过利用并发控制协议几乎零成本地支持模式
在Tesseract应用测试中,我们对现有的快照隔离协议进行了简单调整。在40核服务器上的工作负载下,Tesseract能够实现在线、事务性的模式演化,而无需停机,并且在演化过程中保持高应用性能
通过参与数据库顶级会议VLDB,腾讯云将数据库领域的最新技术突破及创新方向,同步和全球技术开发者分享,这也为数据库领域的技术和产业发展提供了极有价值的参考案例。未来,腾讯云将继续完善数据库相关的技术、产品和生态能力,为各行各业提供便捷、易用的数据库服务。
以上是腾讯云数据库再次受到顶级会议认可,论文成功入选VLDB2023的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

同样是图生视频,PaintsUndo走出了不一样的路线。ControlNet作者LvminZhang又开始整活了!这次瞄准绘画领域。新项目PaintsUndo刚上线不久,就收获1.4kstar(还在疯狂涨)。项目地址:https://github.com/lllyasviel/Paints-UNDO通过该项目,用户输入一张静态图像,PaintsUndo就能自动帮你生成整个绘画的全过程视频,从线稿到成品都有迹可循。绘制过程,线条变化多端甚是神奇,最终视频结果和原图像非常相似:我们再来看一个完整的绘

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这篇论文的作者均来自伊利诺伊大学香槟分校(UIUC)张令明老师团队,包括:StevenXia,四年级博士生,研究方向是基于AI大模型的自动代码修复;邓茵琳,四年级博士生,研究方

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在人工智能领域的发展过程中,对大语言模型(LLM)的控制与指导始终是核心挑战之一,旨在确保这些模型既强大又安全地服务于人类社会。早期的努力集中于通过人类反馈的强化学习方法(RL

如果AI模型给的答案一点也看不懂,你敢用吗?随着机器学习系统在更重要的领域得到应用,证明为什么我们可以信任它们的输出,并明确何时不应信任它们,变得越来越重要。获得对复杂系统输出结果信任的一个可行方法是,要求系统对其输出产生一种解释,这种解释对人类或另一个受信任的系统来说是可读的,即可以完全理解以至于任何可能的错误都可以被发现。例如,为了建立对司法系统的信任,我们要求法院提供清晰易读的书面意见,解释并支持其决策。对于大型语言模型来说,我们也可以采用类似的方法。不过,在采用这种方法时,确保语言模型生

干杯!当论文讨论细致到词句,是什么体验?最近,斯坦福大学的学生针对arXiv论文创建了一个开放讨论论坛——alphaXiv,可以直接在任何arXiv论文之上发布问题和评论。网站链接:https://alphaxiv.org/其实不需要专门访问这个网站,只需将任何URL中的arXiv更改为alphaXiv就可以直接在alphaXiv论坛上打开相应论文:可以精准定位到论文中的段落、句子:右侧讨论区,用户可以发表问题询问作者论文思路、细节,例如:也可以针对论文内容发表评论,例如:「给出至

把因果链展示给LLM,它就能学会公理。AI已经在帮助数学家和科学家做研究了,比如著名数学家陶哲轩就曾多次分享自己借助GPT等AI工具研究探索的经历。AI要在这些领域大战拳脚,强大可靠的因果推理能力是必不可少的。本文要介绍的这项研究发现:在小图谱的因果传递性公理演示上训练的Transformer模型可以泛化用于大图谱的传递性公理。也就是说,如果让Transformer学会执行简单的因果推理,就可能将其用于更为复杂的因果推理。该团队提出的公理训练框架是一种基于被动数据来学习因果推理的新范式,只有演示

最近,被称为千禧年七大难题之一的黎曼猜想迎来了新突破。黎曼猜想是数学中一个非常重要的未解决问题,与素数分布的精确性质有关(素数是那些只能被1和自身整除的数字,它们在数论中扮演着基础性的角色)。在当今的数学文献中,已有超过一千条数学命题以黎曼猜想(或其推广形式)的成立为前提。也就是说,黎曼猜想及其推广形式一旦被证明,这一千多个命题将被确立为定理,对数学领域产生深远的影响;而如果黎曼猜想被证明是错误的,那么这些命题中的一部分也将随之失去其有效性。新的突破来自MIT数学教授LarryGuth和牛津大学

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着的成功。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
