HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

Rust製DBがゲーミングGPUのRTコアで空間クエリを実行し、H100を凌駕

Made a Rust DB run spatial queries on gaming GPU RT cores, beating an H100 (sedona.apache.org)

7 pointsby dr-jia-yu0 コメント

要約

SedonaDB 0.4では、Rustベースのシングルノード空間データベースにGPUアクセラレーションを導入し、ゲーミングGPUのレイトレーシングコアを使って空間結合を高速化しました。これにより、AWS H100よりも高速な性能を発揮することが示され、特に重い空間結合で最大5.93倍の速度向上を達成しました。この新機能は、RayBoosterという拡張機能によって実現され、VLDB 2026に研究論文が採択されました。

全文翻訳

SedonaDB 0.4: GPUアクセラレーテッド空間結合

SedonaDB 0.4では、1,500ドルのゲーミングGPUのレイトレーシングコアで空間結合を実行できるようにRust製データベースを改良し、H100を凌駕しました。

[画像: SedonaDB 0.4 GPU-Accelerated Spatial Joins — データベースのために再利用されたレイトレーシングコア]

Apache Sedonaコミュニティは、187件のイシューを解決し、15名のコントリビューターから26の新しい関数を追加したSedonaDB 0.4.0をリリースしました。SedonaDBは、空間データをファーストクラス市民として扱う初のオープンソース、シングルノード分析データベースであり、単一マシンで実行される小規模から中規模のデータセット向けの分散型Sedonaエンジンの対抗馬です。

これは、SedonaDB 0.4の新機能に深く迫る一連の投稿の最初のものです。今後の投稿では、Python DataFrame API、R dplyrインターフェース、Geographyサポート、GeoParquet書き込みサポート、N次元ラスタとZarrなどを取り上げます。全容については、0.4.0リリースブログ投稿をご覧ください。最も興奮している機能であるGPUアクセラレーテッド空間結合から始めます。

GPUアクセラレーテッド空間結合

[画像: RayBoosterのアーキテクチャ:GPUフレンドリーなジオメトリ配列のストレージレイヤー、インデックスレイヤー、RTシェーダーとOptiXレイトレーシング実行エンジンに供給するリファインメントレイヤー]

ゲーミングGPUには、ビデオゲームのライティング用に設計された専用のレイトレーシングコアが搭載されており、データベースクエリ中はアイドル状態になっています。空間結合は、交差するジオメトリを見つけることであり、これはレイトレーシングプリミティブに自然にマッピングされます。私たちは、レイトレーシングコアのアクセラレーションをSedonaDBにもたらす拡張機能であるRayBoosterを構築しました。

関連する研究論文「RayBooster: A Ray Tracing Engine to Accelerate SedonaDB」は、The Ohio State Universityとの共同開発により、VLDB 2026(インダストリートラック)に採択されました。

仕組み:4つのコンポーネント

[画像: 単一のBVHツリーがビルドサイドのジオメトリ上に構築され、その後プローブサイドのジオメトリがそれを通過するレイをキャストし、一致したペアが交差バッファに書き戻されます]

  1. GPUフレンドリーなストレージレイアウト。 ストリーム指向のWKBフォーマットの代わりに、RayBoosterはオフセット、頂点、タイプを分離する配列構造(Structure of Arrays)を使用し、任意のジオメトリへのO(1)ランダムアクセスを可能にします。
  2. 単一のモノリシックインデックス。 数百万もの小さなインデックスツリーを構築するのではなく、Zスタッキングを使用します。これは、各ジオメトリのIDをレイトレーシングシーンの未使用のZ軸にエンコードし、バッチ全体に対して1つのグローバルBVHを構築します。
  3. ユニバーサル述語エンジン。 RelateEngineは、RTコア上でDE-9IM行列(トポロジカル記述子)を計算し、500以上のカーネルバリアントをハードコーディングする代わりに、任意のジオメトリ/述語の組み合わせを解決する単一のコードパスを提供します。
  4. メモリを意識した実行。 スケジューリングおよびスピリングレイヤーは、不規則な実世界のワークロードでジョインをGPUメモリ予算内に維持し、メモリ不足による失敗を防ぎます。

[画像: ポイントインポリゴンおよびポリゴン交差のテストのためにレイをキャストし、任意のトポロジカル述語を解決するDE-9IM交差行列を組み立てます]

パフォーマンス

SpatialBenchでのテスト:

  • ヘビーなジョインで最大5.93倍の高速化、AWSでのコストを59.02%削減
  • Q11クロスゾーントリップジョイン:7.51秒(CPU)→コンシューマーRTX 3090で1.61秒 — 4.66倍の高速化
  • 10倍スケール:53.34秒を7秒未満に短縮
  • スケールでのヘビーなジョイン:GPUモデル全体で4.93倍から9.68倍の高速化
  • コンシューマーRTX 3090 vs. H100:一部のクエリでは、H100にRTコアがないにもかかわらず、ゲーミングカードがH100を実際に上回りました(Q10で1.26秒 vs 1.77秒)。

[画像: CPU、L40S、A10、L4でのSpatialBenchにおけるコスト効率:クエリごとのコストとAWSでの総ワークロードコスト]

使用方法

NVIDIA GPUを搭載したマシンで、公式Dockerイメージをプルし、単一のコマンドで機能を有効にします:

ctx.sql("SET gpu.enable = true")

GPUアクセラレーションガイドは、NVIDIA GPUマシンでのDockerイメージの起動方法を説明し、サポートされているコンピュート機能のリストを提供しています。

引用

Liang Geng, Rubao Lee, Dewey Dunnington, Feng Zhang, Jia Yu, and Xiaodong Zhang. "RayBooster: A Ray Tracing Engine to Accelerate SedonaDB." PVLDB, 2026 (Industry Track).