Description du projet
De nouveaux systèmes pour les applications actuelles axées sur les données
L’infrastructure dédiée à la gestion des données s’accroît rapidement. Les applications modernes axées sur les données tirent parti de vastes collections de données hétérogènes afin de découvrir des tendances intéressantes et d’obtenir des prévisions justes. Elles créent également pour cela de robustes modèles d’apprentissage automatique. Ainsi, de nouveaux systèmes ont été mis au point avec une informatique traditionnelle hautes performances et l’architecture des ensembles de matériel sous-jacents. Il existe également une tendance à l’égard des pipelines complexes d’analyse de données combinant différents systèmes. Le projet DAPHNE, financé par l’UE, a pour objectif de définir une infrastructure de systèmes ouverte et extensible pour les pipelines intégrés d’analyse de données. Il créera une implémentation de référence d’abstractions de langage (des API et un langage spécifique au domaine) et une représentation intermédiaire, ainsi que des techniques de compilation et d’exécution.
Objectif
Modern data-driven applications leverage large, heterogeneous data collections to find interesting patterns, and build robust machine learning (ML) models for accurate predictions. Large data sizes and advanced analytics spurred the development and adoption of data-parallel computation frameworks like Apache Spark or Flink as well as distributed ML systems like MLlib, TensorFlow, or PyTorch. A key observation is that these new systems share many techniques with traditional high-performance computing (HPC), and the architecture of underlying HW clusters converges. Yet, the programming paradigms, cluster resource management, as well as data formats and representations differ substantially across data management, HPC, and ML software stacks. There is a trend though, toward complex data analysis pipelines that combine these different systems. Examples are workflows of distributed data pre-processing, tuned HPC libraries, and dedicated ML systems, but also HPC applications that leverage ML models for more cost-effective simulation. Major obstacles are (1) limited development productivity for integrated analysis pipelines due to different programming models, and separated cluster environments, (2) unnecessary data movement overhead and underutilization due to separate, statically provisioned clusters, and (3) lack of a common system infrastructure with good interoperability. For these reasons, DAPHNE’s overall objective is the definition of an open and extensible systems infrastructure for integrated data analysis pipelines. We aim at building a reference implementation of language abstractions (i.e. APIs and a domain-specific language), an intermediate representation, as well as compilation and runtime techniques with support for integrating and scheduling heterogeneous accelerator and storage devices. A variety of real-world, high-impact use cases, datasets, and a new benchmark will be used for qualitative and quantitative analysis compared to state-of-the-art.
Champ scientifique
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
8010 Graz
Autriche