Big Steps Towards Query Eco-Processing - Thinking Smart

Soumission à Episciences Computers and electronic machines in businesses consume a significant amount of electricity, releasing carbon dioxide (CO2), which contributes to greenhouse gas emissions. Energy efficiency is pressing concern IT systems, ranging from mobile devices large servers data centers, order be more environmentally responsible. In meet the growing demands awareness excessive energy consumption, many initiatives have been launched on for big processing covering components, software applications. Query optimizers are one most power consuming components DBMS. They can modified take into account energetical cost query plans by using energy-based models with aim reducing consumption computer systems. this paper, we study, describe evaluate design three whose values sensitive parameters determined Nonlinear Regression Random Forests techniques. To end, study depth operating principle selected DBMS present an analysis comparing performance time typical queries TPC benchmark. We perform extensive experiments physical testbed based PostreSQL, MontetDB Hyrise systems workloads generatedusing our chosen benchmark validate proposal. Les ordinateurs et les électroniques des entreprises consomment une quantité importante d’électricité, libérant ainsi du dioxyde de carbone qui contribue aux émissions gaz effet serre. L’efficacité énergétique est préoccupation urgente dans systèmesinformatiques, partant équipements mobiles grands serveurs centres données, afin d’être plus respectueux envers l’environnement. Afin répondre exigences croissantes en matière sensibilisation l’utilisation l’énergie, nombreuses ont été lancées sur l’efficacité pour le traitement données massives couvrant composantsélectroniques, logiciels optimiseurs requêtes sont l’un composants énergivores d’un SGBD. Ils peuvent être modifiés prendre compte coût l’aide modèles énergétiques intégrés l’optimiseur but réduire la consommation électrique systèmes informatiques. Dans cet article, nousétudions, décrivons évaluons conception trois dont valeurs paramètres sensibles l’énergie définis utilisant technique Régression non linéaire forêts aléatoires. Pour ce fait, nous menons étude approfondie principe fonctionnement SGBD choisis présentons analyse performances termes temps énergie typiques benchmarks TPC-H. Nous effectuons expériences approfondies basées PostgreSQL, MonetDB un jeu généré partir TPC-H valider nos propositions.