本文主要是介绍Rethinking SIMD Vectorization for In-Memory Databases 论文阅读笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Rethinking SIMD Vectorization for In-Memory Databases 论文阅读笔记
基本操作
selective store
将 vector lane 的一部分（根据 mask）写入连续内存
selective load
从连续内存读入到 vector lane 的一部分（根据 mask）
selective gather
从非连续内存（根据 index vector）读入到 vector lane
selective scatter
将 vector lane 写入到非连续内存（根据 index vector）
注意 gather 和 scatter 并不能1个时钟周期内完成
Selection Scan
- W：SIMD vector 长度
- j：输出数量
- l：buffer B[] 的最后一个元素的后继位置
- B[]：buffer，缓存被 selected 行的标号（没有明说，不过我认为 |B| 是 W 的整数倍）
- r[]：序号的 vector，长度为 W，用于 selective store，mask m
- m：predicate 结果，是一个 mask vector
意思就是每次处理一批，然后差不多满了就 output。
Hash Table
Linear Probing
Probe
参考 Vectorization vs. Compilation in Query Execution 论文阅读笔记
和上一篇笔记中的算法有一些区别，没有 match[]，而是每轮循环有被排除掉的就去拿新的 input。Algorithm5 最后一行的 m 表示排除掉的（包括 已经匹配成功的 和 匹配完所有都失败的）就拿新的 input；还在匹配的就 offset+1，继续尝试在 bucket 中匹配。（所以 output 顺序和 probe input 顺序可能不一致。上一篇笔记里的算法是把每轮 input check 完才继续下一轮）
Build
居然没有做 Rank and Permute 来 group by key？？？参考 A Vectorized Hash-Join 论文阅读笔记
可以使用 Rank and Permute，然后查询 next[] 来加速 probe！！！
我改进的 probe 流程，针对 build 时使用 rank and permute 来 group by keys
Reference
- CMU 15-721 21 Vectorized Query Execution Part I (Spring 2018)
- DataBase Partitioning Techniques
这篇关于Rethinking SIMD Vectorization for In-Memory Databases 论文阅读笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
