Auf der Fachtagung „Datenbanksysteme für Business, Technologie und Web“ (BTW 2017) der Gesellschaft für Informatik in Stuttgart ging der Best Paper Award an Jens Teubner für die C5-Publikation “Efficient Storage and Analysis of Genome Data in Databases“. Die Arbeit entstand in Zusammenarbeit mit der Uni Magdeburg, der Firma Bayer und der TU Berlin.

Sie diskutiert Techniken, um Genomdaten effizient in einer relationalen Datenbank abzulegen. Dadurch wird die Flexibilität moderner relationaler Datenbank-Engines zugänglich für die effiziente Analyse von Genomdaten.

Am gleichen Tag erhielt auch ein Masterstudent von Jens Teubner, Stefan Noll, den Best Student Paper Award für seine Arbeit „Energy Efficiency in Main Memory Databases“ beim Studierendenprogramm der BTW 2017 in Stuttgart. Darin werden die wichtigsten Ergebnisse seiner gleichlautenden Masterarbeit widergegeben. Die Masterarbeit wurde am Lehrstuhl für Datenbanken und Informationssysteme und im Rahmen des SFB 876 (Projekt A2) angefertigt.
Die Arbeit von Stefan Noll zeigt, wie die Energieeffizienz eines Datenbanksystems verbessert werden kann, indem die Rechenleistung des Systems in Einklang gebracht wird mit der zur Verfügung stehenden Hauptspeicherbandbreite. Er schlägt dazu den Einsatz von Dynamic Voltage and Frequency Scaling (DVFS) sowie das gezielte Abschalten von Rechenkernen vor.

Abstract der Publikation: “Efficient Storage and Analysis of Genome Data in Databases“
Genome-analysis enables researchers to detect mutations within genomes and deduce their consequences. Researchers need reliable analysis platforms to ensure reproducible and comprehensive analysis results. Database systems provide vital support to implement the required sustainable procedures. Nevertheless, they are not used throughout the complete genome-analysis process, because (1) database systems suffer from high storage overhead for genome data and (2) they introduce overhead during domain-specific analysis. To overcome these limitations, we integrate genome-specific compression into database systems using a specialized database schema. Thus, we can reduce the storage overhead to 30%. Moreover, we can exploit genome-data characteristics during query processing allowing us to analyze real-world data sets up to five times faster than specialized analysis tools and eight times faster than a straightforward database approach.