DBMS Bionic

Analisa jurnal :

” the bionic DBMS is coming, but what will it look like?

Pengertian DBMS

Basis data merupakan kumpulan data yang saling berhubungan satu dengan yang lainnya yang diaorganisasikan sesuai struktur tertentu dan disimpan dengan baik.  Untuk mendapatkan informasi yang berguna dari kumpulan data maka diperlukan suatu perangkat lunak (software) untuk memanipulasi data sehingga mendapatkan informasi yang berguna. Database Manajement System (DBMS) merupakan software yang digunakan untuk membangun sebuah sistem basis data yang berbasis komputerisasi. DBMS membantu dalam pemeliharaan dan pengolahan kumpulan data dalam jumlah besar. Sehingga dengan menggunakan DBMS tidak menimbulkan kekacauan dan dapat digunakan oleh pengguna sesuai dengan kebutuhan.

DBMS merupakan perantara bagi pemakai dengan basis data. Untuk merinteraksi dengan DBMS (basis data) menggunakan bahasa basis data yang telah ditentukan oleh perusahaan DBMS. Bahasa basis data biasanya terdiri atas perintah-perintah yang di formulasikan sehingga perintah tersebut akan diproses olah DBMS.

DBMS merupakan perantara bagi pemakai dengan basis data. Untuk merinteraksi dengan DBMS (basis data) menggunakan bahasa basis data yang telah ditentukan oleh perusahaan DBMS. Bahasa basis data biasanya terdiri atas perintah-perintah yang di formulasikan sehingga perintah tersebut akan diproses olah DBMS. Perintah-perintah biasanya ditentukan oleh user. Ada 2 bahasa basis data:

Data Definition Language (DDL)

DDL digunakan untuk menggambarkan desain basis data secara keseluruhan. DDL digunakan untuk membuat tabel baru, menuat indeks, ataupun mengubah tabel. Hasil kompilasi DDL disimpan di kamus data.

Data Manipulation Language (DML)

DML digunakan untuk melakukan menipulasi dan pengambilan data pada suatu basis data seperti penambahan data baru ke dalam basis data, menghapus data dari suatu basis data dan pengubahan data di suatu basis data.

Dalam pembuatan DBMS diperlukan beberapa komponen fungsional penyusunnya sebagai berikut:

  1. DML Precompiler : mengkonversi pernyataan-pernyataan DML yang dimasukkan di dalam program aplikasi ke dalam pemanggilan prosedur normal di dalam bahasa induknya. Procompiler harus berinteraksi dengan query processor untuk membuat kode-kode yang diperlukan.
  1. Query Processor : menterjemahkan pernyataan-pernyataan bahasa query ke dalam instruksi-instruksi low-level yang dimengerti oleh database manager.
  2. DDL Compiler : mengkonversi pernyataan DDL ke dalam sekumpulan table yang mengandung metadata atau “data mengenai data”
  3. Database Manager : menyediakan interface antara data low-level yang disimpan didalam basisdata dengan program-program aplikasi dan queries yang dikirimkan ke system.

Salah satu tujuan dari DBMS adalah memberikan tampilan kepada pengguna dalam hal menyampaikan data. Untuk itu dalam DBMS terdapat Level Abstraksi Data. Level ini berguna untuk menyembunyikan detail atau kompleksitasnya basis data seperti bagaimana data disempan dan diolah. Sehingga pengguna hanya melihat tampilan yag dibutuhkan oleh pengguna.

Level fisik

Level fisik merupakan level yang paling bawah. Pada level ini memperlihatkan bagaimana sesungguhnya data disimpan.

  1. Level Konseptual

Level ini menggambarkan bagaimana sebenarnya basis dta disimpan dan berhubungan dengan data lainnya

  1. Level View

Level abstaraksi ini hanya menunjukkan sebagian dari basis data.  Pada umumnya pengguna tidak melibatkan secara langsung sehingga pengguna hanya melihat data sesuai dengan yang dibutuhkan

 

DBMS Bionic

DBMS BIONIK merupakan DBMS dimana bionik itu sendiri merupakan anatomi buatan yg dapat dikontrol oleh otak penggunanya. Secara garis besar dbms bionik adalah bagian-bagian atau komponen pada sistem manajemen basis data yg dapat dikontrol oleh otak penggunanya yaitu manusia.

Akibat pertemuan tren yang merubah hukum Moore; Pertama prosessor speed telah stagnan dalam beberapa dekade tidak akan meningkat akibat masalah power, reaksi industri untuk menyingkirkan segudang identikal core berujung pada kerumitan hukum Amdahl, Kedua skala transistor mencapai kelanjutan: power saving transistor kecil tidak lagi dikompensate penuh untuk penambahan jumlah transistor per chip, power envelope yang tetap memaksa penyusutan fraksi chip setiap saat, yang disebut Dark silikon.

Tren cloud-base “big data” dirintis oleh google, facebook, amazon, dan microsoft, dan komunitas seperti IBM Netezza dan Oracle Exadata telah merespon tren ini, untuk meningkatkan operasi managemen data dengan kustom atau semi-kustom hardware. Pengerjaannya terfokus pada gaya perhitungan dataflow dan streaming domain, contohnya Online Transaction Processing (OLTP).

Masalah yang ditimbulkan oleh Aliran kontrol dan operasi High hardware perhitungan yang digunakan dalam proses transaksi dan grafik transversal

Dalam kertas ini sang penulis”Ryan Johnson” membuat 2 klaim:

dukungan efektif hardware tidak selalu membutuhkan penambahan raw performance; tujuan utamanya untuk mengurangi penggunaan energi

fraksi yang mengejutkan dapat diterima untuk implementasi hardware;”we” memperkirakan system masadepan akan seluruhnya menggunakan software untuk koordinasi penggunaan dan interaksi unit hardware

Dark Silikon

Merupakan tren untuk penambahan chip transistor untuk sisa yang takterpakai setiap saat.

Efek yang ditimbulkan ada 2:

Penolakan skala power untuk beberapa saat desain multicore menyebabkan paralellisme dari software, akibatnya task mengalami ketidak seimbangan karena data dibagi ke banyak core. Dalam gambaran 1 fraction dari penggunaan hardware: menerima 0.1% pekerjaan seri dapat dikatakan cukup dalam sehari. Hardware generasi selanjutnya ,katakanlah seribu core dapat mengurangi fraction seri dari pekerjaan dapat berkurang pesat dua perintah.

Skala power yang kurang pada generasi transistor selanjutnya, akibat desakan power akan memaksa pertumbuhan fraction pada hardware offline walau pernah digunakan software. Dalam perhitungan katakan 20% dari transistor luar 2018 power envelope, fraction yang dapat digunakan menyusut dari 30% sampai 50%, untuk setiap generasi hardware. Perhitungan 1/10 power hanya berharga 10x lebih cepat: bersisa 90% dari pemakaian untuk yang lain atau dapat dikatakan biaya operating murah.

Untuk menurunkan operasi power footprint dengan mengubah hardware yang berjalan, dengan pindah ke kustom hardware

Latensitas dan Kontrol Aliran

Pemrosessan query khususnya dalam bentuk colomnar menghasilkan dataflow yang signifikan dan relative mudah mengatur Aliran Kontrol yang memetakan hardware dengan baik. Transaction processing dilain pihak memberikan aliran kontrol besar dan kecil, komponen dataflow yang takbiasa membuat target yang terkenal tak efisien untuk prosesor biasa dan tak mempengaruhi akselerasi hardware. OLTP diuntungkan dari skala frekuensi Clock dalam beberapa dekade bahkan lebih diuntungkan dari paralelisme yang berderajat tinggi untuk penawaran multicore hardware akibat dark silikon dan dapat sangat merugikan: frekuensi clock dan jumlah clock yang tetap melewati ancaman generasi untuk menutupi OLTP Throughput.

Delay besar seperti disk I/O terkenal dan mudah di skejul dalam software tapi delay kecil maksud lain berakibat seperti software dan hardware untuk umum tak dapat menanggung nya

Ketimbang menambahkan performa mentah  kita lebih baik memasukan OLTP karena akan mengurangi power footprint hardware agar terhindar dari banyak latensi sebisa mungkin. Teknk penghindaran penambahan latensitas, delay yang tak sinkron dan mudah diprediksi dalam µs sangatlah mudah di skejul dalam software ketimbang ‘cache miss’ atau ‘pipeline stall’ yang takterduga.

Aliran Kontrol pada Hardware

Hardware Kustom kemampuannya kurang dalam Aliran Kontrol sering gagal dalam mengekstrak Aliran Kontrol Dinamis dari Aplikasi Programing. Sebenarnya hardware unggul dalam Aliran kontrol global ‘Finite State Automaton(FSA)’, ‘khusunya Non-deterministic Finite State Automaton(NFSA)’, dengan mempekerjakan paralelisme dari hardware untuk efek yang lebih baik. Dari gaya aliran kontrol Neuman: low-dimensional projection dari bagian pokok mesin memberikan beberapa keuntungan. Akselerasi efektif dari Aliran kontrol butuh identifikasi proses abstrak dan memetakan high-dimensional projection ke hardware. Pencarian OLTP(Online Transaction Processing) seperti B+Tree Probe dan logging tersugesti banyaknya pelekatan yang kurang efektif dari pengangkatan OLTP akibat kurangnya pemetaan ke software.

“BIONIC Transaction Processing

Target system konkret, berdasar pemberian mesin HC-2 yang mengkombin Field-Programable Gate Array(FPGA) dengan intel prosessor modern sistem arsitekturnya seperti Figure2.

Performa tinggi FPGA dengan direct akses ke disk dan ke tampungan lokal memori maka sisi memori FPGA tidak tercache, tapi terurai berai, memori kontroler mengirim bandwidth 80GBps untuk request random 64-bit, sangat membantu dalam beban dengan lokalitas rendah. FPGA dan sisi host memori saling melekat dan mudah diakses oleh CPU atau FPGA lain, melalui PCI bus menyebabkan  efek NUMA yang parah(2µs bolak-balik). Karakteristik ini memerintah FPGA menangani banyak manipulasi data dan bahwa komunikasi CPU/FPGA haruslah tidak sinkron. PCI bus menyediakan bandwidth yang cukup untuk suport beban OLTP dan gaya penyaringan Netezza memudahkan masalah bandwidth untuk queri-queri; tujuannya untuk mengikat segudang sumber latensi yang kecil dan dibongkar ke power efisien.

Kesimpulan

Basis data merupakan kumpulan data yang saling berhubungan satu dengan yang lainnya yang diaorganisasikan sesuai struktur tertentu dan disimpan dengan baik. DBMS BIONIK merupakan DBMS dimana bionik itu sendiri merupakan anatomi buatan yg dapat dikontrol oleh otak penggunanya. Secara garis besar dbms bionik adalah bagian-bagian atau komponen pada sistem manajemen basis data yg dapat dikontrol oleh otak penggunanya yaitu manusia..

Dark silicon merupakan tren untuk penambahan chip transistor untuk sisa yang takterpakai setiap saat.Transaction processing dilain pihak memberikan aliran kontrol besar dan kecil, komponen dataflow yang takbiasa membuat target yang terkenal tak efisien untuk prosesor biasa dan tak mempengaruhi akselerasi hardware.

sumber :

sumber 1

sumber 2

Iklan

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s