Textbook Algorithms and Architectures For Parallel Processing 16Th International Conference Ica3Pp 2016 Granada Spain December 14 16 2016 Proceedings 1St Edition Jesus Carretero Ebook All Chapter PDF

Algorithms and Architectures for
Parallel Processing 16th International

Conference ICA3PP 2016 Granada
Spain December 14 16 2016
Proceedings 1st Edition Jesus
Carretero
Visit to download the full and correct content document:
https://textbookfull.com/product/algorithms-and-architectures-for-parallel-processing-1
6th-international-conference-ica3pp-2016-granada-spain-december-14-16-2016-proc
eedings-1st-edition-jesus-carretero/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Algorithms and Architectures for Parallel Processing

ICA3PP 2016 Collocated Workshops SCDT TAPEMS BigTrust
UCER DLMCS Granada Spain December 14 16 2016
Proceedings 1st Edition Jesus Carretero
https://textbookfull.com/product/algorithms-and-architectures-
for-parallel-processing-ica3pp-2016-collocated-workshops-scdt-
tapems-bigtrust-ucer-dlmcs-granada-spain-
december-14-16-2016-proceedings-1st-edition-jesus-carretero/

13th International Conference ICA3PP 2013 Vietri sul
Mare Italy December 18 20 2013 Proceedings Part I 1st
Edition Antonio Balzanella
for-parallel-processing-13th-international-conference-
ica3pp-2013-vietri-sul-mare-italy-
december-18-20-2013-proceedings-part-i-1st-edition-antonio-
balzanella/
13th International Conference ICA3PP 2013 Vietri sul
Mare Italy December 18 20 2013 Proceedings Part II 1st
Edition Peter Benner
ica3pp-2013-vietri-sul-mare-italy-
december-18-20-2013-proceedings-part-ii-1st-edition-peter-benner/

18th International Conference ICA3PP 2018 Guangzhou
China November 15 17 2018 Proceedings Part I Jaideep
Vaidya
ica3pp-2018-guangzhou-china-november-15-17-2018-proceedings-part-
China November 15 17 2018 Proceedings Part III Jaideep
Vaidya
iii-jaideep-vaidya/

China November 15 17 2018 Proceedings Part IV Jaideep
Vaidya
iv-jaideep-vaidya/

ICA3PP 2018 International Workshops Guangzhou China
November 15 17 2018 Proceedings Ting Hu
for-parallel-processing-ica3pp-2018-international-workshops-
guangzhou-china-november-15-17-2018-proceedings-ting-hu/

14th International Conference ICA3PP 2014 Dalian China
August 24 27 2014 Proceedings Part II 1st Edition Xian-
He Sun
ica3pp-2014-dalian-china-august-24-27-2014-proceedings-part-
ii-1st-edition-xian-he-sun/

14th International Conference ICA3PP 2014 Dalian China
August 24 27 2014 Proceedings Part I 1st Edition Xian-
He Sun
ica3pp-2014-dalian-china-august-24-27-2014-proceedings-
Jesus Carretero · Javier Garcia-Blas
Ryan K.L. Ko · Peter Mueller
Koji Nakano (Eds.)
LNCS 10048
Algorithms and Architectures

for Parallel Processing
16th International Conference, ICA3PP 2016
Granada, Spain, December 14–16, 2016
Proceedings
123
Lecture Notes in Computer Science 10048
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen
Editorial Board
David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology, Madras, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
Gerhard Weikum
Max Planck Institute for Informatics, Saarbrücken, Germany
More information about this series at http://www.springer.com/series/7407
Jesus Carretero Javier Garcia-Blas
•
Ryan K.L. Ko Peter Mueller

•
Koji Nakano (Eds.)
Algorithms and Architectures

for Parallel Processing
16th International Conference, ICA3PP 2016
Granada, Spain, December 14–16, 2016
Proceedings
123
Editors
Jesus Carretero Peter Mueller
University Carlos III of Madrid IBM Zurich Research Laboratory
Leganes Rüschlikon
Spain Switzerland
Javier Garcia-Blas Koji Nakano
Carlos III University of Madrid Hiroshima University
Leganes, Madrid Higashi-Hiroshima
Spain Japan
Ryan K.L. Ko
The University of Waikato
Hamilton
New Zealand
ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-319-49582-8 ISBN 978-3-319-49583-5 (eBook)
DOI 10.1007/978-3-319-49583-5
Library of Congress Control Number: 2016959169
LNCS Sublibrary: SL1 – Theoretical Computer Science and General Issues
© Springer International Publishing AG 2016

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, express or implied, with respect to the material contained herein or for any errors or
omissions that may have been made.
Printed on acid-free paper
This Springer imprint is published by Springer Nature

The registered company is Springer International Publishing AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
Welcome Message from the ICA3PP 2016
General Chairs
Welcome to the proceedings of the 16th International Conference on Algorithms and

Architectures for Parallel Processing (ICA3PP 2016), which was organized by the
University of Madrid Carlos II and the University of Granada.
It was our great pleasure to organize the ICA3PP 2016 conference in Granada,
Spain, during December 14–16, 2016. On behalf of the Organizing Committee of the
conference, we would like to express our cordial gratitude to all participants who
attended the conference.
ICA3PP 2016 was the 16th event in the series of conferences started in 1995 that is
devoted to algorithms and architectures for parallel processing. ICA3PP is now rec-
ognized as the main regular international event that covers many dimensions of parallel
algorithms and architectures, encompassing fundamental theoretical approaches, prac-
tical experimental projects, and commercial components and systems. The conference
provides a forum for academics and practitioners from around the world to exchange
ideas for improving the efficiency, performance, reliability, security, and interoperability
of computing systems and applications.
ICA3PP 2016 attracted high-quality research papers highlighting the foundational
work that strives to push beyond the limits of existing technologies, including experi-
mental efforts, innovative systems, and investigations that identify weaknesses in existing
parallel processing technology.
ICA3PP 2016 consisted of the main conference and five international symposia and
workshops. Many individuals contributed to the success of the conference. We would
like to express our special appreciation to Prof. Yang Xiang, Prof. Weijia Jia,
Prof. Laurence T. Yang, Prof. Yi Pan, and Prof. Wanlei Zhou, the Steering Committee
chairs, for giving us the opportunity to host this prestigious conference and for their
guidance with the conference organization. Special thanks to the program chairs,
Dr. Peter Muller, Dr. Ryan K.L. Ko, and Dr. Javier García Blas, for their outstanding
work on the technical program. Thanks also to the workshop chairs, Dr. Atsushi Hori,
Dr. Ryan K.L. Ko, and Dr. Florin Isaila, for their excellent work in organizing attractive
symposia and workshops. Thanks also to the local arrangements chair, Prof. Julio
Ortega. We would like to give our thanks to all the members of the Organizing Com-
mittee and Program Committee as well as the external reviewers for their efforts and
support. We would also like to thank the keynote speakers, Prof. Vladimir Voevodin,
Dr. Rafael Asenjo, and Prof. Pedro José Marrón, for offering insightful and enlightening
talks. Last but not least, we would like to thank all the authors who submitted their
papers to the conference.
December 2016 Jesús Carretero

Koji Nakano
Welcome Message from the ICA3PP 2016
Program Chairs
On behalf of the Program Committee of the 16th International Conference on Algo-

rithms and Architectures for Parallel Processing (ICA3PP 2016), we would like to
welcome you to the proceedings of conference, which was held in Granada, Spain,
during December 14–16, 2016.
The ICA3PP conference aims at bringing together researchers and practitioners from
both academia and industry who are working on algorithms and architectures for
parallel processing. The conference features keynote speeches, technical presentations,
symposiums, and workshops, where the technical presentations from both the research
community and industry cover various aspects including fundamental theoretical
approaches, practical experimental projects, and commercial components and systems.
ICA3PP 2016 was the next event in a series of highly successful international con-
ferences on algorithms and architectures for parallel processing, previously held as
ICA3PP 2015 (Zhangjiajie, China, November 2015), ICA3PP 2014 (Dalian, China,
August 2014), ICA3PP 2013 (Vietri sul Mare, Italy, December 2013), ICA3PP 2012
(Fukuoka, Japan, September 2012), ICA3PP 2011 (Melbourne, Australia, October
2011), ICA3PP 2010 (Busan, Korea, May 2010), ICA3PP 2009 (Taipei, Taiwan, June
2009), ICA3PP 2008 (Cyprus, June 2008), ICA3PP 2007 (Hangzhou, China, June
2007), ICA3PP 2005 (Melbourne, Australia, October 2005), ICA3PP 2002 (Beijing,
China, October 2002), ICA3PP 2000 (Hong Kong, China, December 2000), ICA3PP
1997 (Melbourne, Australia, December 1997), ICA3PP 1996 (Singapore, June 1996),
and ICA3PP 1995 (Brisbane, Australia, April 1995).
The ICA3PP 2016 conference collected research papers on related research issues
from all around the world. This year we received 102 submissions for the main con-
ference. All submissions received at least three reviews during a high-quality review
process. The program provided a balanced and interesting view on current developments
and trends in algorithms and parallel architectures. Two papers were selected as out-
standing contributions to ICA3PP 2016. According to the review results, 30 papers were
selected for oral presentation at the conference, giving an acceptance rate of 29.4%.
We would like to offer our gratitude to Prof. Yang Xiang, Prof. Weijia Jia,
Prof. Laurence T. Yang, Prof. Yi Pan, and Prof. Wanlei Zhou, the Steering Committee
chairs. Our thanks also go to the general chairs, Prof. Jesús Carretero and Prof. Koji
Nakano, for their great support and good suggestions for a successful the final program.
Special thanks to the workshop chairs, Dr. Atsushi Hori, Dr. Ryan K.L. Ko, and
Dr. Florin Isaila. In particular, we would like to give our thanks to all researchers and
practitioners who submitted their manuscripts, and to the Program Committee and the
external reviewers, who contributed their valuable time and expertise to provide
VIII Welcome Message from the ICA3PP 2016 Program Chairs
professional reviews working under a very tight schedule. Moreover, we are very
grateful to our keynote speakers, who kindly accepted our invitation to give insightful
and prospective talks.
December 2016 Peter Muller

Ryan K.L. Ko
Javier Garcia Blas
Organization
Program Committee
Habtamu Abie Norwegian Computing Center, Norway
Marco Aldinucci University of Turin, Italy
Giulio Aliberti Università degli Studi Roma III, Italy
Pedro Alonso Universitat Politècnica de València, Spain
Alba Amato Seconda Università degli Studi di Napoli, Italy
Daniel Andresen Kansas State University, USA
Cosimo Anglano Universitá del Piemonte Orientale, Italy
Danilo Ardagna Politecnico di Milano, Italy
Marcos Assuncao Inria, LIP, ENS Lyon, France
David Del Rio Astorga University Carlos III of Madrid, Spain
Hrachya Astsatryan National Academy of Sciences of Armenia
Nikzad Babaii Rizvandi University of Sydney, NICTA, Australia
Yan Bai University of Washington Tacoma, USA
Muneer Masadeh Bani Al al-Bayt University, Jordan
Yassein
Saad Bani-Mohammad Al al-Bayt University, Jordan
Jorge Barbosa FEUP, Portugal
Novella Bartolini University of Rome Sapienza, Italy
Ladjel Bellatreche LIAS/ENSMA, France
Salima Benbernou Université Paris Descartes, France
Siegfried Benkner University of Vienna, Austria
Jorge Bernal Bernabe University of Murcia, Spain
Md Zakirul Alam Bhuiyan Temple University, USA
Javier Garcia Blas University Carlos III of Madrid, Spain
Oana Boncalo University Politehnica of Timisoara, Romania
Daniel Rubio Bonilla HLRS – University of Stuttgart, Germany
George Bosilca Innovative Computing Laboratory, University of
Tennessee, USA
Pascal Bouvry University of Luxembourg
Suren Byna Lawrence Berkeley National Laboratory, USA
Massimo Cafaro University of Salento, Italy
Silvina Caino Lores University Carlos III of Madrid, Spain
Christian Callegari University of Pisa, Italy
Aparicio Carranza New York City College of Technology, USA
Jesus Carretero University Carlos III of Madrid, Spain
Pedro A. Castillo Valdivieso Universidad de Granada, Spain
Tania Cerquitelli Politecnico di Torino, Italy
X Organization
Sudip Chakraborty Valdosta State University, USA

Jerry H. Chang National Center for High-Performance Computing,
China
Yue-Shan Chang National Taipei University, Taiwan
Anupam Chattopadhyay Nanyang Technological University, Singapore
Jing Chen National Cheng Kung University, Taiwan
Tzung-Shi Chen National University of Tainan, Taiwan
Yu Chen State University of New York – Binghamton, USA
Zizhong Chen University of California, Riverside, USA
John A. Clark University of York, UK
Stefania Colonnese Università di Roma La Sapienza, Italy
Massimo Coppola Institute of Information Science and Technologies
(ISTI/CNR), Italy
Ana Cortes Universitat Autònoma de Barcelona, Spain
Raphaël Couturier University of Franche Comte, France
Félix Cuadrado Queen Mary University of London, UK
Alfredo Cuzzocrea University of Trieste, Italy
Bogusław Cyganek AGH University of Science and Technology, Poland
Georges Da Costa IRIT/Toulouse III, France
Masoud Daneshtalab KTH Royal Institute of Technology, Sweden
Gregoire Danoy University of Luxembourg
Sabrina De Capitani Università degli Studi di Milano, Italy
di Vimercati
Saptarshi Debroy City University of New York, USA
Casimer Decusatis Marist College, USA
Eugen Dedu University of Franche-Comté, France
Juan-Carlos Díaz-Martín University of Extremadura, Spain
Yacine Djemaiel Communication Networks and Security, Research
Laboratory, Tunisia
Ciprian Dobre University Politehnica of Bucharest, Romania
Manuel F. Dolz University Carlos III of Madrid, Spain
Susan Donohue University of Virginia, USA
Zhihui Du Tsinghua University, Beijing, China
Yucong Duan Hainan University, China
Christian Esposito University of Salerno, Italy
Roberto R. Expósito University of A Coruña, Spain
Jose Alfredo Ferreira Costa UFRN – Universidade Federal do Rio Grande do
Norte, Brazil
Ugo Fiore Federico II University, Italy
Neki Frasheri Polytechnic University of Tirana, Albania
Franco Frattolillo University of Sannio, Italy
Marc Frincu University of Southern California, USA
Jaafar Gaber Université de Technologie de Belfort-Montbéliard,
France
Jose Daniel Garcia University Carlos III of Madrid, Spain
Luis Javier García Villalba University Complutense of Madrid, Spain
Organization XI
Juan-L. García-Zapata University of Extremadura, Spain

Saurabh Kumar Garg University of Tasmania, Australia
Ester Martin Garzon Almeria University, Spain
Paolo Gasti New York Institute of Technology, USA
Victor Gergel Nizhny Novgorod State University, Russia
Ansgar Gerlicher Stuttgart Media University, Germany
Vladimir Getov University of Westminster, UK
Harald Gjermundrod University of Nicosia, Cyprus
Dieter Gollmann Hamburg University of Technology, Germany
Jing Gong KTH, Sweden
Arturo Gonzalez-Escribano Universidad de Valladolid, Spain
Pilar Gonzalez-Ferez ICS-FORTH, Greece
Jose-Luis CINVESTAV, Mexico
Gonzalez-Sanchez
José Gracia High-Performance Computing Center Stuttgart,
Germany
Christos Grecos Independent Consultants, Greece
Daniel Grosu Wayne State University, USA
Sheikh M. Habib Technische Universität Darmstadt, Germany
Khalid Hasanov IBM Research Ireland
Houcine Hassan Universitat Politecnica de Valencia, Spain
Shi-Jinn Horng National Taiwan University of Science and
Technology, Taiwan
Atanas Hristov University of Information Science and Technology,
FYR Macedonia
Sun-Yuan Hsieh National Cheng Kung University, Taiwan
Ching-Hsien Hsu Chung Hua University, China
Jia Hu Liverpool Hope University, UK
Xinyi Huang Fujian Normal University, China
Yonggang Huang Beijing Institute of Technology, China
Zhiyi Huang University of Otago, New Zealand
Mauro Iacono Seconda Università degli Studi di Napoli, Italy
Shadi Ibrahim Inria, Rennes Bretagne Atlantique Research Center,
France
Young-Sik Jeong Dongguk University, South Korea
Hai Jiang Arkansas State University, USA
Wenjun Jiang Hunan University, China
Edward Jung Southern Polytechnic State University
Vana Kalogeraki Athens University of Economics and Business, Greece
Georgios Kambourakis University of the Aegean, Greece
Panagiotis Karampelas Hellenic American University, USA
Helen Karatza Aristotle University of Thessaloniki, Greece
Christoph Kessler Linköping University, Sweden
Muhammad Khurram Khan King Saud University, Saudi Arabia
Peter Kilpatrick Queen’s University Belfast, UK
Sookyun Kim Pai Chai University, South Korea
XII Organization
Ryan K.L. Ko The University of Waikato, New Zealand

Peter Kropf University of Neuchatel, Switzerland
Ruggero Donida Labati Università degli Studi di Milano, Italy
Kuan-Chou Lai National Taichung University, Taiwan
Algirdas Lančinskas Vilnius University, Lithuania
Alexey Lastovetsky University College Dublin, Ireland
Che-Rung Lee National Tsing Hua University, Taiwan
Laurent Lefevre Ecole Normal Lyon, France
Yingjiu Li Singapore Management University, Singapore
Yusen Li Nanyang Technological University, Singapore
Zengxiang Li Institute of High Performance Computing Agency for
Science, Technology and Research, Singapore
Xin Liao Hunan University, China
Chunyu Lin HTC Corp., Taiwan
Zhen Ling Southeast University, China
Qin Liu Hunan University, China
Haikun Liu North China Electricity Power University
Xiao Liu Software Engineering Institute, East China Normal
University, China
Yongchao Liu Georgia Institute of Technology, USA
Giovanni Livraga Università degli Studi di Milano, Italy
Jaime Lloret Universidad Politécnica de Valencia, Spain
George Loukas University of Greenwich, UK
Haibing Lu Santa Clara University, USA
Paul Lu University of Alberta, Canada
Rongxing Lu University of New Brunswick, Canada
Wei Lu Keene State College, USA
Liang Luo University of Washington, USA
Sidi Ahmed Mahmoudi University of Mons, France
Amit Majumdar University of California San Diego, San Diego
Supercomputer Center, USA
Damian Alvarez Mallon Forschungszentrum Jülich, Germany
Jose Miguel Mantas Ruiz Universidad de Granada, Spain
Ravindranath Manumachu University College Dublin, Ireland
Xinjun Mao National University of Defense Technology, China
Tomas Margalef Universitat Autonoma de Barcelona, Spain
Stefano Markidis KTH, Sweden
Fabrizio Marozzo DIMES, University of Calabria, Italy
Pedro J. Marron University of Duisburg-Essen, Germany
Stefano Marrone Second University of Naples, Italy
Alejandro Masrur TU Chemnitz, Germany
Barbara Masucci University of Salerno, Italy
Susumu Matsumae Saga University, Japan
Rafael Mayo Gual University Jaume I, Spain
Anatoly Melnyk Lviv Polytechnic National University, Ukraine
Viktor Melnyk John Paul II Catholic University of Lublin, Poland
Organization XIII
Iosif Meyerov UNN, Russia

Konstantina Mitropoulou University of Cambridge, UK
Miguel Cárdenas Montes CIEMAT, Spain
Francesco Moscato Second University of Naples, Italy
Peter Mueller IBM Zurich Research, Switzerland
David Naccache Université Paris II, France
Takeshi Nanri Kyushu University, Japan
Esmond Ng Lawrence Berkeley National Laboratory, USA
Kenneth O’Brien University College Dublin, Ireland
Hirotaka Ono Kyushu University, Japan
Eunok Paek Hanyang University, South Korea
Francesco Palmieri Federico II University, Italy
Benoit Parrein University of Nantes, France
Abel Francisco Paz Gallardo CIEMAT, Spain
Cathryn Peoples University of Ulster, Ireland
Fernando Pereniguez-Garcia Catholic University of Murcia, Spain
Günther Pernul University of Regensburg, Germany
Kalyan Perumalla Oak Ridge National Laboratory, USA
Dana Petcu West University of Timisoara, Romania
Salvador Petit Universidad Politécnica de Valencia, Spain
Jean-Marc Pierson University of Toulouse, IRIT, France
Roberto Di Pietro Roma Tre University of Rome, Italy
Vincenzo Piuri University of Milan, Italy
Florin Pop University Politehnica of Bucharest, Romania
Nina Popova Moscow State University, Russia
Heng Qi Dalian University of Technology, China
Md. Obaidur Rahman Dhaka University of Engineering and Technology,
Bangladesh
Rajiv Ranjan The University of New South Wales, Australia
Thomas Rauber University of Bayreuth, Germany
Md. Abdur Razzaque University of Dhaka, Bangladesh
Yongli Ren Deakin University, Australia
Juan Antonio Rico Gallego University of Extremadura, Spain
Gabriel Rodríguez Universidade da Coruña, Spain
Félix R. Rodríguez University of Extremadura, Spain
Imed Romdhani Edinburgh Napier University, UK
Bimal Roy Indian Statistical Institute, Kolkata, India
Gudula Ruenger Chemnitz University of Technology, Germany
Salvatore Ruggieri Università di Pisa, Italy
Antonio Ruiz-Martínez University of Murcia, Spain
Francoise Sailhan CNAM, France
Subhash Saini NASA, USA
Rizos Sakellariou University of Manchester, UK
Luis Miguel Sanchez University Carlos III of Madrid, Spain
Hamid Sarbazi-Azad IPM, Iran
Sven-Bodo Scholz Heriot-Watt University, UK
XIV Organization
Estefania Serrano University Carlos III of Madrid, Spain

Jun Shen University of Wollongong, Australia
Ali Shoker INESC TEC and University of Minho, Portugal
Anna Sikora University Autonoma of Barcelona, Spain
Dragan Simic University of Novi Sad, Serbia
Dimitris E. Simos SBA Research, Austria
David E. Singh University Carlos III of Madrid, Spain
Genoveva Vargas Solar CNRS-LIG-LAFMIA, France
Chao Song University of Electronic Science and Technology
of China
Andrey Sozykin Ural Federal University, Russia
Giandomenico Spezzano CNR-ICAR and University of Calabria, Italy
Patricia Stolf IRIT, France
Peter Strazdins The Australian National University, Australia
Chunhua Su Japan Advanced Institute of Science and Technology
Chang-Ai Sun University of Science and Technology Beijing, China
Magdalena Szmajduch Cracow University of Technology, Poland
Daisuke Takahashi University of Tsukuba, Japan
Domenico Talia University of Calabria, Italy
Andrei Tchernykh CICESE Research Center
Sabu M. Thampi Indian Institute of Information Technology and
Management, India
Hiroyuki Tomiyama Ritsumeikan University, Japan
Massimo Torquati University of Pisa, Italy
Paolo Trunfio DEIS, University of Calabria, Italy
Tomoaki Tsumura Nagoya Institute of Technology, Japan
Radu Tudoran HUAWEI ERC, Germany
Didem Unat Lawrence Berkeley National Laboratory, USA
Sebastien Varrette University of Luxembourg, Luxembourg
Maria Barreda Vayá Universitat Jaume I, Spain
Salvatore Venticinque Seconda Università di Napoli, Italy
Vladimir Voevodin Moscow University, Russia
Chen Wang CSIRO ICT Center, Australia
Mingzhong Wang University of the Sunshine Coast, Australia
Qian Wang Wuhan University, China
You-Chiun Wang National Sun Yat-sen University, China
Yunsheng Wang Kettering University, USA
Zeke Wang Nanyang Technological University, Singapore
Zhibo Wang Wuhan University, China
Martine Wedlake IBM, USA
Jin Wei University of Akron, USA
Sheng Wen Deakin University, Australia
Beat Wolf HES-SO, University of Würzburg, Germany
Hejun Wu Sun Yat-Sen University, China
Weigang Wu Sun Yat-sen University, China
Organization XV
Yongdong Wu Institute for Infocomm Research, Singapore

Roman Wyrzykowski Czestochowa University of Technology, Poland
Liao Xiaofei Huazhong University of Science and Technology,
China
Xiaofei Xing Guangzhou University, China
Quanqing Xu Data Storage Institute, A*STAR, Singapore
Wei Xue Tsinghua University, China
Ramin Yahyapour GWDG – University of Göttingen, Germany
Chao-Tung Yang Tunghai University, Taiwan
Baijian Yang Purdue University, USA
Baoliu Ye Nanjing University, China
Hua Yu Huazhong University of Science and Technology,
China
Shucheng Yu University of Arkansas, USA
Mazdak Zamani Kean University, USA
Sherali Zeadally University of Kentucky, USA
Deze Zeng University of Aizu, Japan
Peng Zhang Stony Brook University, USA
Daqiang Zhang Tongji University, China
Dongfang Zhao Pacific Northwest National Laboratory
Yun-Wei Zhao Nanyang Technological University, Singapore
Yunhui Zheng IBM T.J. Watson Research Center, USA
Jianlong Zhong GRAPHSQL INC, USA
Xingquan Zhu Florida Atlantic University, USA
Sotirios Ziavras New Jersey Institute of Technology, USA
Additional Reviewers
Andión, José M. Fernandez, Javier Soundararajan, Varun

Bao, Tao García Zapata, Juan Luis Tao, Jinsong
Bezemskij, Anatolij Heartfield, Ryan Tygart, Adam
Catuogno, Luigi Kieffer, Emmanuel Veiga, Jorge
Cortez Mendoza, Mair, Jason Zhang, Shaobo
Jorge Mario Niu, Zhaojie Zhao, Jieyi
Crane, Paul Peng, Tao
Dhoutaut, Dominique Seo, Hwajeong
Contents
Parallel and Distributed Architectures
Intelligent SPARQL Endpoints: Optimizing Execution Performance

by Automatic Query Relaxation and Queue Scheduling . . . . . . . . . . . . . . . . 3
Ana I. Torre-Bastida, Esther Villar-Rodriguez, Miren Nekane Bilbao,
and Javier Del Ser
Hardware-Based Sequential Consistency Violation Detection Made Simpler . . . 18

Mohammad Majharul Islam, Riad Akram, and Abdullah Muzahid
Optimized Mapping Spiking Neural Networks onto Network-on-Chip . . . . . . 38

Yu Ji, Youhui Zhang, He Liu, and Weimin Zheng
Software Systems and Programming
A Portable Lock-Free Bounded Queue. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Peter Pirkelbauer, Reed Milewicz, and Juan Felipe Gonzalez
A C++ Generic Parallel Pattern Interface for Stream Processing . . . . . . . . . . 74

David del Rio Astorga, Manuel F. Dolz, Luis Miguel Sanchez,
Javier García Blas, and J. Daniel García
Creating Distributed Execution Plans with BobolangNG . . . . . . . . . . . . . . . 88

David Bednárek, Martin Kruliš, Jakub Yaghob, and Filip Zavoral
Deciding the Deadlock and Livelock in a Petri Net with a Target Marking
Based on Its Basic Unfolding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Guanjun Liu, Kun Zhang, and Changjun Jiang
A New Scalable Approach for Distributed Metadata in HPC . . . . . . . . . . . . 106

Cristina Rodríguez-Quintana, Antonio F. Díaz, Julio Ortega,
Raúl H. Palacios, and Andrés Ortiz
Enabling Android-Based Devices to High-End GPGPUs . . . . . . . . . . . . . . . 118

Raffaele Montella, Carmine Ferraro, Sokol Kosta, Valentina Pelliccia,
and Giulio Giunta
Distributed and Network-Based Computing
3-Additive Approximation Algorithm for Multicast Time in 2D

Torus Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Hovhaness A. Harutyunyan and Meghrig Terzian
XVIII Contents
Online Resource Coalition Reorganization for Efficient Scheduling

on the Intercloud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Adrian Spataru, Teodora Selea, and Marc Frincu
Graphein: A Novel Optical High-Radix Switch Architecture

for 3D Integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
Jie Jian, Mingche Lai, Liquan Xiao, and Weixia Xu
Improving the Performance of Volunteer Computing with Data Volunteers:

A Case Study with the ATLAS@home Project . . . . . . . . . . . . . . . . . . . . . . 178
Saúl Alonso-Monsalve, Félix García-Carballeira,
and Alejandro Calderón
Microcities: A Platform Based on Microclouds for Neighborhood Services. . . 192

Ismael Cuadrado-Cordero, Felix Cuadrado, Chris Phillips,
Anne-Cécile Orgerie, and Christine Morin
Impact of Shutdown Techniques for Energy-Efficient Cloud Data Centers . . . 203

Issam Raïs, Anne-Cécile Orgerie, and Martin Quinson
Processing Partially Ordered Requests in Distributed Stream

Processing Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Rijun Cai, Weigang Wu, Ning Huang, and Lihui Wu
Implement and Optimization of Indoor Positioning System Based

on Wi-Fi Signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
Chongsheng Yu, Xin Li, Lei Dou, Jianwei Li, Yu Zhang, Jian Qin,
Yuqing Sun, and Zhiyue Cao
Big Data and Its Applications
Optimizing Inter-server Communications by Exploiting Overlapping

Communities in Online Social Networks . . . . . . . . . . . . . . . . . . . . . . . . . . 231
Jingya Zhou, Jianxi Fan, Baolei Cheng, and Juncheng Jia
Road Segment Information Based Named Data Networking

for Vehicular Environments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Junlan Xiao, Jian Deng, Hui Cao, and Weigang Wu
Energy-Aware Query Processing on a Parallel Database Cluster Node . . . . . . 260

Amine Roukh, Ladjel Bellatreche, Nikos Tziritas, and Carlos Ordonez
Current Flow Betweenness Centrality with Apache Spark. . . . . . . . . . . . . . . 270

Massimiliano Bertolucci, Alessandro Lulli, and Laura Ricci
Contents XIX
Parallel and Distributed Algorithms
Light Loss-Less Data Compression, with GPU Implementation . . . . . . . . . . . 281

Shunji Funasaka, Koji Nakano, and Yasuaki Ito
Deterministic Construction of Regular Geometric Graphs with Short

Average Distance and Limited Edge Length . . . . . . . . . . . . . . . . . . . . . . . . 295
Satoshi Fujita, Koji Nakano, Michihiro Koibuchi, and Ikki Fujiwara
A GPU-Based Backtracking Algorithm for Permutation Combinatorial

Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Tiago Carneiro Pessoa, Jan Gmys, Nouredine Melab,
Francisco Heron de Carvalho Junior, and Daniel Tuyttens
Buffer Minimization for Rate-Optimal Scheduling of Synchronous

Dataflow Graphs on Multicore Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
Mingze Ma and Rizos Sakellariou
Implementing Snapshot Objects on Top of Crash-Prone Asynchronous

Message-Passing Systems. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Carole Delporte-Gallet, Hugues Fauconnier, Sergio Rajsbaum,
and Michel Raynal
Scaling DBSCAN-like Algorithms for Event Detection Systems in Twitter. . . 356

Joan Capdevila, Gonzalo Pericacho, Jordi Torres, and Jesús Cerquides
Towards Parallel CFD Computation for the ADAPT Framework. . . . . . . . . . 374

Imad Kissami, Christophe Cérin, Fayssal Benkhaldoun,
and Gilles Scarella
Feedback Control Optimization for Performance and Energy Efficiency

on CPU-GPU Heterogeneous Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388
Feng-Sheng Lin, Po-Ting Liu, Ming-Hua Li, and Pao-Ann Hsiung
The Impact of Panel Factorization on the Gauss-Huard Algorithm

for the Solution of Linear Systems on Modern Architectures . . . . . . . . . . . . 405
Sandra Catalán, Pablo Ezzatti, Enrique S. Quintana-Ortí,
and Alfredo Remón
Leveraging the Performance of LBM-HPC for Large Sizes on GPUs

Using Ghost Cells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
Pedro Valero-Lara
Improving Hash Distributed A* for Shared Memory Architectures

Using Abstraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431
Victoria Sanz, Armando De Giusti, and Marcelo Naiouf
XX Contents
On a Parallel Algorithm for the Determination of Multiple Optimal

Solutions for the LCSS Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 440
Bchira Ben Mabrouk, Hamadi Hasni, and Zaher Mahjoub
Locality of Computation for Stencil Optimization . . . . . . . . . . . . . . . . . . . . 449

Lufeng Yuan, Junhong Liu, Yulong Luo, and Guangming Tan
GPU Computing to Speed-Up the Resolution of Microrheology Models. . . . . 457

Gloria Ortega, Antonio Puertas, Fco Javier de Las Nieves,
and Ester Martin-Garzón
Applications of Parallel and Distributed Computing
Methodological Approach to Data-Centric Cloudification of Scientific

Iterative Workflows. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
Silvina Caíno-Lores, Andrei Lapin, Peter Kropf, and Jesús Carretero
Efficient Parallel Algorithm for Optimal DAG Structure Search on Parallel

Computer with Torus Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
Hirokazu Honda, Yoshinori Tamada, and Reiji Suda
Bin Recycling Strategy for an Accuracy-Aware Implementation

of Two-Point Angular Correlation Function on GPU . . . . . . . . . . . . . . . . . . 503
Miguel Cárdenas-Montes, Juan José Rodríguez-Vázquez,
Miguel A. Vega-Rodríguez, Ignacio Sevilla Noarbe,
and Antonio Gómez-Iglesias
An Efficient Implementation of LZW Compression in the FPGA . . . . . . . . . 512

Xin Zhou, Yasuaki Ito, and Koji Nakano
Shared Memory Tile-Based vs Hybrid Memory GOP-Based Parallel

Algorithms for HEVC Encoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 521
Héctor Migallón, Otoniel López-Granado, Vicente Galiano,
Pablo Piñol, and Manuel P. Malumbres
GPU-Based Heterogeneous Coding Architecture for HEVC . . . . . . . . . . . . . 529

Gabriel Cebrián-Márquez, Héctor Migallón, José Luis Martínez,
Otoniel López-Granado, Pablo Piñol, and Pedro Cuenca
Optimizing GPU Code for CPU Execution Using OpenCL

and Vectorization: A Case Study on Image Coding . . . . . . . . . . . . . . . . . . . 537
Pedro M.M. Pereira, Patricio Domingues, Nuno M.M. Rodrigues,
Gabriel Falcao, and Sergio M.M. de Faria
Improving the Performance of Cardiac Simulations in a Multi-GPU

Architecture Using a Coalesced Data and Kernel Scheme. . . . . . . . . . . . . . . 546
Raphael Pereira Cordeiro, Rafael Sachetto Oliveira,
Rodrigo Weber dos Santos, and Marcelo Lobosco
Contents XXI
Service Dependability and Security in Distributed and Parallel Systems
Dynamic Verifiable Search Over Encrypted Data in Untrusted Clouds . . . . . . 557

Xiaohong Nie, Qin Liu, Xuhui Liu, Tao Peng, and Yapin Lin
Reducing TCB of Linux Kernel Using User-Space Device Driver . . . . . . . . . 572

Weizhong Qiang, Kang Zhang, and Hai Jin
OBC Based Optimization of Re-encryption for Cryptographic

Cloud Storage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 586
Huidong Qiao, Jiangchun Ren, Zhiying Wang, Haihe Ba, Huaizhe Zhou,
and Tie Hong
Performance Modeling and Evaluation
Modeling Performance of Hadoop Applications: A Journey from Queueing

Networks to Stochastic Well Formed Nets . . . . . . . . . . . . . . . . . . . . . . . . . 599
Danilo Ardagna, Simona Bernardi, Eugenio Gianniti,
Soroush Karimian Aliabadi, Diego Perez-Palacin,
and José Ignacio Requeno
D-SPACE4Cloud: A Design Tool for Big Data Applications . . . . . . . . . . . . 614

Michele Ciavotta, Eugenio Gianniti, and Danilo Ardagna
Porting MATLAB Applications to High-Performance C++ Codes:

CPU/GPU-Accelerated Spherical Deconvolution of Diffusion MRI Data . . . . 630
Javier Garcia Blas, Manuel F. Dolz, J. Daniel Garcia,
Jesus Carretero, Alessandro Daducci, Yasser Aleman,
and Erick Jorge Canales-Rodriguez
On Stochastic Performance and Cost-Aware Optimal Capacity Planning

of Unreliable Infrastructure-as-a-Service Cloud . . . . . . . . . . . . . . . . . . . . . . 644
Weiling Li, Lei Wu, Yunni Xia, Yuandou Wang, Kunyin Guo, Xin Luo,
Mingwei Lin, and Wanbo Zheng
A Distributed Formal Model for the Analysis and Verification

of Arbitration Protocols on MPSoCs Architecture . . . . . . . . . . . . . . . . . . . . 658
Imen Ben Hafaiedh, Maroua Ben Slimane, and Riadh Robbana
Synthetic Traffic Model of the Graph500 Communications. . . . . . . . . . . . . . 675

Pablo Fuentes, Enrique Vallejo, José Luis Bosque,
Ramón Beivide, Andreea Anghel, Germán Rodríguez,
Mitch Gusat, and Cyriel Minkenberg
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 685

Parallel and Distributed Architectures
Intelligent SPARQL Endpoints: Optimizing
Execution Performance by Automatic Query
Relaxation and Queue Scheduling
Ana I. Torre-Bastida1(B) , Esther Villar-Rodriguez1 , Miren Nekane Bilbao2 ,

and Javier Del Ser1,2,3
1
TECNALIA. OPTIMA Unit, 48160 Derio, Spain
{isabel.torre,esther.villar,javier.delser}@tecnalia.com
2
University of the Basque Country UPV/EHU, 48013 Bilbao, Spain
{nekane.bilbao,javier.delser}@ehu.eus
3
Basque Center for Applied Mathematics (BCAM), 48009 Bilbao, Spain
Abstract. The Web of Data is widely considered as one of the major

global repositories populated with countless interconnected and struc-
tured data prompting these linked datasets to be continuously and
sharply increasing. In this context the so-called SPARQL Protocol and
RDF Query Language is commonly used to retrieve and manage stored
data by means of SPARQL endpoints, a query processing service espe-
cially designed to get access to these databases. Nevertheless, due to
the large amount of data tackled by such endpoints and their structural
complexity, these services usually suffer from severe performance issues,
including inadmissible processing times. This work aims at overcoming
this noted inefficiency by designing a distributed parallel system archi-
tecture that improves the performance of SPARQL endpoints by incor-
porating two functionalities: (1) a queuing system to avoid bottlenecks
during the execution of SPARQL queries; and (2) an intelligent relax-
ation of the queries submitted to the endpoint at hand whenever the
relaxation itself and the consequently lowered complexity of the query
are beneficial for the overall performance of the system. To this end the
system relies on a two-fold optimization criterion: the minimization of
the query running time, as predicted by a supervised learning model; and
the maximization of the quality of the results of the query as quantified
by a measure of similarity. These two conflicting optimization criteria are
efficiently balanced by two bi-objective heuristic algorithms sequentially
executed over groups of SPARQL queries. The approach is validated on
a prototype and several experiments that evince the applicability of the
proposed scheme.
Keywords: SPARQL · Query rewriting · Linked Open Data · Ontology

management · Multiobjective optimization
1 Introduction and Motivation

It will be soon a decade since the so-called Linked Open Data (LOD) par-
adigm, along with several related projects and initiatives, became the main
c Springer International Publishing AG 2016
J. Carretero et al. (Eds.): ICA3PP 2016, LNCS 10048, pp. 3–17, 2016.
DOI: 10.1007/978-3-319-49583-5 1
4 A.I. Torre-Bastida et al.
technology enabler for the expansion of the Semantic Web, whose raison d’être was
an intrinsic information technologies revolution centered on enriching the pub-
lished data and coping with the inherent inability of machines to understand web-
sites [1]. Over the last decade the increasing adoption of LOD led to the develop-
ment of a distributed mesh of globally interlinked knowledge capable of providing
a pioneering method to traverse the web and interpret its contents: the Web of
Data. This huge, distributed, diverse database is deployed on manifold domains
and a wide range of subjects such as government, libraries, life science and media,
among many others. It allows for the execution of exploratory and selective queries
over a enormous set of updated, comprehensive and pertinent data. The preva-
lent semantic query language for these repositories is SPARQL, which provides a
full set of query operations and functionalities. Notwithstanding, in order to fully
unleash the Semantic Web potential SPARQL users are forced to dominate the
syntax of the SPARQL language. On this purpose the community has devoted con-
siderable research effort towards deriving sophisticated yet friendly tools to help
users properly exploit the vast amount of available data and achieve a satisfactory
performance in terms of accuracy. Under this rationale, the systems and engines
where SPARQL endpoints are deployed have become the primary target where to
allocate specialized resources and intelligent software procedures to enhance the
quality of service commonly jeopardized and called into question due to significant
delays, specially when dealing with large datasets [2].
The contribution of this research work gravitates on three main axes to
improve the performance of SPARQL systems: the performance prediction of
SPARQL queries prior to their processing, their relaxation and the planning of
run queues in processing engines. In the field of performance prediction there is
a large number of works in the field of the SQL query language for relational
databases, which have traditionally revolved around statistical or heuristics costs
estimation. In regards to the prediction of the query execution time, supervised
learning models have positioned themselves as the off-the-shelf estimators in
recent years (see e.g. [3,4]). To the best of our knowledge there are very scarce
studies that extrapolate this acquired knowledge with relational databases to
the LOD repositories. The main difference between these two areas resides on
the absence of an schematic structure in the RDF standard, as well as on the
shortage of statistics of the datasets compounding the LOD environment. Jus-
tifiably, the current generation of SPARQL query cost estimation approaches
that inspire from those derived for relational databases have been proven to be
inadequate for the task of performance prediction. This is the rationale for the
brand new direction started in [3] and subsequently followed in [4,5] that resorts
to machine learning techniques to extract SPARQL performance metrics from
already executed queries. Despite the good predictive scores reported in these
references (with the latest work in [5] scoring an average R2 of 0.94 with Support
Vector Machines), we will show throughout this manuscript that there is still
room for improvement in terms of the learning model and the set of features.
Concerning the second aspect that can be leveraged so as to improve the
performance of endpoints, the optimization of SPARQL queries has hitherto
Intelligent SPARQL Endpoints 5
mainly focused on rewriting the query at hand based on different objectives,

such as the minimization of the execution time or the reduction of its struc-
tural complexity. We classify these studies into three categories depending on
the utilized optimization technique: cost-based [6–8], heuristics-based [9–11] and
machine learning techniques [12,13]. Cost-based schemes suffer from the afore-
mentioned low availability of statistics in the LOD. Heuristic approaches assume
that structurally simple queries are in general less expensive, but this is not the
case in SPARQL due to the inference and variant extensional information con-
tained in a SPARQL arrangement. The work by Bicer et al. in [12] introduce the
concept of Relational Kernel Machines, which simplify the problem of extract-
ing features from the complex structure of semantic data and hence improving
naı̈ve approximations based on Support Vector Machines. Likewise, in [13] long-
running queries (detected by predicting its computational costs) are relaxed by
applying a Genetic Algorithm (GA) based rewriting approach so as to yield a
faster rewritten query. In our work we will take a step further so as to consider
in the determination of the query relaxation policy the inherent Pareto trade-off
between the quality of the results returned by the query and the relative running
time with respect to its original version. This Pareto-optimal balance between
both objectives will be shown to be tractable via evolutionary multi-objective
heuristics.
Finally, the third axis refers to the scheduling of run queues to organize and
coordinate query executions, around which our literature survey has identified a
single, recent yet relevant contribution for SPARQL endpoints [14]. In this paper
the authors explain that guaranteeing a consistently good quality of service in
SPARQL endpoints is a difficult task to accomplish, for which the use of an
scheduler is proposed to optimally manage the execution of queries in SPARQL
endpoints. We go one step beyond the simple schedulers explored in this reference
by proposing a novel approach in which we optimize the scheduling criterion
based on the previously mentioned SPARQL relaxation policies.
Our software system blends together the three aspects commented above to
improve the runtime performance of a SPARQL endpoint. The problem is that
many of the queries processed by such systems can not be executed within a
reasonable time for the user. To address this issue a bi-objective algorithm is
designed to obtain the optimal set of relaxation rules on this dataset without
disregarding the quality of the query result. By applying such a Pareto-optimal
set of relaxation rules the execution time of the queries is reduced while keeping
the quality degradation of their results to a minimum. Such rule sets can be
further exploited by implementing a set of processing queues in the SPARQL
endpoint, so that the optimization algorithm determines the adequate set of
relaxation rules, the allocation of queries over the pool of processing queues and
the execution order of the queries assigned to every queue. In summary, the
main goal of this paper is the design of a software system capable of enhancing
the performance of a SPARQL endpoint by combining optimized run queues,
adequate query relaxation policies and SPARQL query run time predictions.
Schematically the novel technical ingredients of this research work are as follows:
1. The derivation of new predictive features for the design of a runtime estimator
for SPARQL queries, which can be divided in query language algebra and
vocabulary features defining the terms of the query.
2. The design and implementation of a system based on run queues to improve
the performance of SPARQL endpoints, which to our knowledge is the first
one proposed in the literature.
3. A query relaxation optimization algorithm guided by two objectives: the max-
imization of the query quality (quantified in terms of similarity) and the
minimization of the run time of the query.
4. The use of parallelizable evolutionary meta-heuristic solvers to the perfor-
mance improvement of SPARQL endpoints in the particular aspects of query
relaxation and run queue scheduling mentioned previously.
The rest of the manuscript is structured as follows: Sect. 2 overviews the

general architecture of the proposed system and formulates the optimization
problem that mathematically defines its operation. Subsects. 2.1 and 2.2 delve
into the design of estimators for the query running time and quality on which
the aforementioned optimization problem is based. Next, Sect. 3 elaborates on
the meta-heuristic optimization algorithm designed to efficiently implement the
proposed system, including relevant aspects such as the solution encoding and
the design of the operators. Section 4 reports on the experimental evaluation of
the proposed scheme and conclusions are drawn in Sect. 5.
2 Architecture Overview and Problem Formulation
In this section we briefly introduce key concepts and notation used throughout
the rest of the paper. SPARQL is the standard query language for RDF. Let
I be the set of all IRIs (Internationalized Resource Identifiers), L be the set of
RDF literals, and B be the set of RDF blank nodes. These three infinite sets are
pairwise disjoint. An RDF triple is a tuple (s, p, o) ∈ (I ∪ B) × I × (I ∪ B ∪ L); s
is called the subject, p is the predicate, and o stands for the object of the triple,
respectively. An RDF graph is a finite set of triples. For the purpose of this
paper, a dataset D is an RDF graph. Given a dataset D, we refer to the set
voc(D) ⊆ (I ∪ L) of IRIs and literals occurring in D as the vocabulary of D. We
use the words term or resource to refer to elements in I ∪ L.
The core of a SPARQL query is a basic graph pattern, which is used to match
an RDF graph in order to search for the required answers. A triple pattern is
a triple, without blank nodes, where a variable may occur in any place of the
triple. A graph pattern is an expression recursively defined as follows: (1) a triple
pattern is a graph pattern; (2) if P1 , P2 are graph patterns, then (P1 and P2 ),
(P1 union P2 ), and (P1 opt P2 ) are graph patterns; and (3) if P is a graph
pattern and C is SPARQL constraint, then (P filter C) is a graph pattern.
With these definitions in mind, a query is defined by Q = (D, δ) where D is the
dataset to be used during the pattern matching and δ is the graph pattern of
the query.
Figure 1 shows an overview of the proposed system, which is conceived as

an intermediate manager between the users submitting their queries and the
pool of parallel processing queues that compound the SPARQL endpoint. Sev-
eral modules can be found in this diagram: first it is important to remark that
the relaxation policies and the mapping to processing queues are optimized at
the level of previously clustered query groups, so that queries within the same
cluster undergo the same relaxation rules and are assigned to the same process-
ing queue. This cluster analysis module is based on the methodology presented
in [15] that follow these steps: data generation mimicking an input data source,
query log mining, clustering and SPARQL feature analysis. As a result P query
n Np
sets {Qp }P P n n
p=1 = {{Qp }n=1 }p=1 (clusters) are produced with Qp = (D, δp ).
New τ1
SPARQL Q Q
query Cluster Relaxation Scheduler τ2 SPARQL
mapping module module database
Q = (D, δ)
Cluster τ3
index p
ON-LINE
(testing)
Q1 F∗
1
Q2 {Fp♦,m }3p=1
Cluster T ()-P () F∗
2
Scheduling
analysis Q3 Pareto estimation optimization
F∗ {λ♦,m (p)}3p=1
3
P (·) Fp
{τz }3z=1
F {α♦,m
p }3p=1
Average
P (Q , Q) T (·) Fp quality
OFF-LINE Selected
policy
T (Q , Q)
(training)
Average
running time
Fig. 1. Overview of the proposed architecture assuming P = 3 query profiles {Qp }3p=1
and Z = 3 processing queues at the endpoint. The lower part of the plot corresponds
to the processing stages that are performed off-line based on a historic record of queries
submitted to the endpoint, whereas the upper part illustrates the entire relaxation and
scheduling procedure applied to a new incoming query submitted to the endpoint.
Prior to its online working regime the SPARQL endpoint must decide the
set of relaxation policies, the queue and the priority within the queue for each
of such clusters. Let fr (Q) be the generic definition for a relaxation rule, drawn
from a R-sized vocabulary F = {fr (Q)}R r=1 of possible relaxation operators. It is
important to note that fr (Q) may only impact on a certain triple (s, p, o) within
Q or, instead, involve more terms within its expression. Three kind of rules have
been considered in the setup:
1. Deletion rules, which consist of eliminating a triple (s, p, o), filter, terms, union
and/or optional clauses from the query.
2. Addition rules, which add a restrictive clause to the query, e.g. a limit oper-
ator.
3. Hierarchical rules, by which a term of the query is substituted by its descen-
dant or ascendant in the ontological hierarchy of the queried dataset.
The complete list of possible rules F is sorted by their estimated degree of

degradation on the results of the relaxed query. Under this notation Fp ⊆ F will
denote the sequence of relaxation operators that will be applied to the queries
belonging to cluster p, whereas Qn, p will denote the relaxed version of query Qp
n
after the application of the rules in Fp .

The determination of {Fp }P p=1 will be done under a twofold criteria: we seek
to optimally balance the impact of the relaxation policy on the average running
time and quality of the results associated to the query; the more relaxed the query
Qn,
p is, the faster it will be executed at the endpoint, but the less precise the
returned results will be with respect to the original, unrelaxed query Qnp . Such
objectives will be represented by two functions T (Qn, n n, n
p , Qp ) and P (Qp , Qp ),
both ∈ [0, 1], corresponding to the relative running time and quality of the
relaxed query Qn, n
p w.r.t. Qp . In mathematical terms the relaxation module in
Fig. 1 seeks, for each query profile Qp , a group of policies F ∗p composed by several
relaxation rule sets {Fp∗,m }M r
m=1 such that
⎧ ⎫
⎨ 1
Np
1
Np
⎬
Fp∗,m = arg min T (Qn, n
p , Qp ), max P (Qn, n
p , Qp ) , (1)
Fp ⊆F ⎩ Np n=1
Np n=1
⎭
subject to Qn, p being the query resulting from the successive application of the
relaxation rules f ∈ Fp to Qnp . For each m ∈ {1, . . . , Mr } a different set of rules
Fp∗,m balances differently both fitness objectives when applied over the reference
query profile Qp . Subsects. 2.1 and 2.2 will elaborate on the estimation of the
value for T (Qn, n n, n
p , Qp ) and P (Qp , Qp ) prior to the execution of the query itself.
Once such Pareto estimations have been produced off-line for each query
profile, the scheduler module exploits this information to determine (1) which
processing queue should be assigned to an incoming query associated to a certain
cluster p ∈ {1, . . . , P }; (2) which relaxation policy should be applied to the
query among those in F ∗p ; and (3) the execution order of the queries (i.e. their
priority) in the case several of them are assigned to the same queue. Without
loss of generality computing power differences between processing queues are
assumed to yield factors {τz }Z z=1 (with τz ∈ (0, 1] and Z denoting the number
of queues) such that the time taken by queue z to process Qnp is reduced by
100 · τz %. The queue allocation to be decided at this module will be denoted
as a non-surjective, non-injective mapping function λ : {1, . . . , P } → {1, . . . , Z},
such that λ(p) will stand for the queue to which the queries associated to profile
p ∈ {1, . . . , P } will be forwarded. Priorities within queue z ∈ {1, . . . , Z} will
be denoted as a real-valued variable αp ∈ R such that if λ(p) = λ(p ) (i.e.
profiles p and p are assigned the same processing queue), the queries in profile
p will be executed first if αp ≤ αp . Conversely, if αp > αp queries belonging to
cluster p will be granted a higher execution priority level than those in p. The
criterion to determine the optimal mapping λ♦ (p), relaxation policies {Fp♦ }P p=1
and priority factors α♦ = {αp♦ }P p=1 at the scheduler module will again rely on
the aforementioned time-quality Pareto trade-off, but incorporating a subtle yet
relevant aspect: queries within the same processing queue interact in terms of
their completion time, i.e. both the relative order of queries within a given queue
and the different processing capabilities of the queues themselves are meaningful
for the overall evaluation of the average execution time taken by the endpoint to
.
process incoming queries. In other words, a vector of mapping functions λ♦ (·) =
. .
{λ♦,m (·)}M ♦
m=1 , relaxation policies F p = {Fp
s ♦,m Ms
}m=1 and priority levels A♦ (·) =
{α♦,m }Mm=1 = {{αp
s
}p=1 }M
♦,m P s
m=1 will balance the following Pareto:
⎧
⎨ P Np
1 τλ(p)
λ♦,m (·), α♦,m , Fp♦,m = arg min T (Qn, n
p , Qp )
λ∈Λ ⎩ P p=1 Np n=1
α∈RP
Fp ⊆F
P N
1
τλ() T (Qη, η
, Q )I(α ≤ αp )I(λ() = λ(p)), (2)
=1
N η=1
=p
⎫
P
1 1
Np ⎬
max P (Qn, n
p , Qp ) , (3)
P p=1 Np n=1 ⎭
where I(·) is an auxiliary indicator function taking value 1 if its argument is

true and 0 otherwise; λ(p) ∈ {1, . . . , Z} denotes the index of the queue to which
the queries in cluster p are assigned; and Qn, p is the result of relaxing query
Qnp through policy Fp . In words, Expression (2) denotes the time taken by the
queries Qnp within cluster p, which depends not only on the assigned queue
through τλ(p) , but also on the average time taken by queries belonging to other
clusters ∈ {1, . . . , p − 1, p + 1, . . . , P } provided that they are assigned to the
same processing queue and granted higher priority. Finally, Expression (3) poses
the mean quality score averaged over all the considered query clusters.
Before proceeding with the algorithmic solution proposed to efficiently solve
the above problems, it should be noted that in practice the relaxation and
scheduling modules might be conceived and formulated as a single optimization
problem driven by the objective functions in Expressions (2) and (3). However,
by decoupling both modules a deeper understanding of the flexibility of the clus-
ters with respect to the set of relaxation operators can be acquired, with further
potential applications beyond the one addressed in this paper (e.g. optimizing a
distributed deployment of the database at hand).
2.1 SPARQL Query Run-Time Prediction

As shown in Fig. 1 and argued above, an estimation of the running time required
to complete a given relaxed query Q is needed when the proposed approach
operates in both off-line and on-line modes. Such an estimation must be produced
without executing the query itself. Therefore, a supervised learning model is
included in order to predict execution times of generic SPARQL queries based
on a historic set of already executed queries. The adopted approach is similar
to the one presented by Hassan et al. in [5], but with novel ingredients: the
learning model itself and the set of features extracted from the expression of the
SPARQL queries to build the training dataset. As such, this dataset consist of
a set of previously executed queries and the observed performance metric values
(execution times) for those queries in their native, unrelaxed form. The goal is to
extract proper features from the syntax of the queries to construct a prediction
model that provide us with an accurate estimation of the execution time that can
be generalized to new, possibly relaxed query sets. The proposed set of features
are classified as:
1. Algebra features, which represent the syntax of the SPARQL query, its oper-
ators and structural information. First we transform a query into an algebra
expression tree, from which we extract the following features: number of basic
graph patterns, filter operator presence, type of filter, limit operator presence,
optional operator presence, distinct operator presence, number of projected
variables, group operator presence, number of union, number of joins and
number of left joins.
2. Dataset vocabulary features, for which we use the dataset terms involved in
the SPARQL query definition to extract intensional and semantic information
about them. First we compute the overall set of terms, and with this bag of
words we compute the TF-IDF frequency [16] as a quantitative score of the
importance of the terms of the query (words) in the dataset (document)
(Fig. 2).
Fig. 2. SPARQL query features vector.
Regarding the supervised learning model we opt for a so-called Random

Forest Classifier [17], a widely utilized ensemble model characterized by its good
generalization properties and low tendency to overfit. In short Random Forests
exploit the principle of bagging by randomly splitting the data into chunks,
selecting a feature subset and training a weak learner (tree) on each of them,
from where the predicted output is given by voting (classification) or averaging
(prediction) the individual outputs of the aforementioned weak models.
Another random document with
no related content on Scribd:
kuulumaton seikka: tultuaan Moskovasta hän oli jo ensimmäisenä
päivänä kokonaan ja peruuttamattomasti antautunut sen hehkuvan
ja järjettömän intohimon valtaan, jota hän tunsi Katerina Ivanovnaa
kohtaan. Tässä ei ole syytä ryhtyä kertomaan tuosta Ivan
Fjodorovitšin uudesta intohimosta, joka sitten löi leimansa koko
hänen elämäänsä: tämä kaikki voisi olla pääjuonena aivan toisessa
kertomuksessa, toisessa romaanissa, josta en tiedä, ryhdynkö
koskaan sitä kirjoittamaan. Mutta en voi nyt tässä kuitenkaan olla
mainitsematta sitä, että kun Ivan Fjodorovitš mennessään, kuten
olen jo kertonut, yöllä Aljošan kanssa pois Katerina Ivanovnan luota
sanoi Aljošalle: »Minä en välitä hänestä», — niin hän sillä hetkellä
valehteli hirveästi: hän rakasti mielettömästi Katerina Ivanovnaa,
vaikka totta oli sekin, että hän joinakin hetkinä vihasi tätä siinä
määrin, että olisi voinut vaikka tappaa hänet. Tässä yhtyi monta
syytä: aivan järkytettynä Mitjaa kohdanneesta asiasta Katerina
Ivanovna lyöttäytyi hänen luokseen palanneeseen Ivan Fjodorovitšiin
kuin jonkinlaiseen pelastajaansa. Hänen tunteitaan oli loukattu,
häntä oli halvennettu. Mutta nyt ilmestyi taas mies, joka oli ennenkin
häntä niin paljon rakastanut, — oi, hän tiesi sen varsin hyvin, — ja
jonka älyä ja sydäntä hän aina oli pitänyt niin suuressa arvossa.
Mutta ankara tyttö ei antautunut kokonaan uhriksi, huolimatta
häneen rakastuneen Ivanin toiveitten koko karamazovilaisesta
hillittömyydestä ja kaikesta Ivanin hurmautumisesta häneen.
Samaan aikaan tyttöä kuitenkin yhtä mittaa kiusasi katumus siitä,
ettei hän ollut uskollinen Mitjalle, ja ankaran riidan hetkinä Ivanin
kanssa (ja näitä hetkiä oli monta) hän suoraan lausui tämän julki
Ivanille. Tätä juuri Ivan olikin Aljošan kanssa puhuessaan nimittänyt
»valheeksi valheen päällä». Siinä tietysti todella olikin paljon
valhetta, ja tämä kaikkein enimmän suututti Ivan Fjodorovitšia…
mutta kaikesta tästä myöhemmin. Sanalla sanoen, hän oli joksikin
aikaa miltei unohtanut Smerdjakovin. Ja kuitenkin kahden viikon
kuluttua hänen ensimmäisestä käynnistään tämän luona alkoivat
häntä taas kiusata samat omituiset ajatukset kuin ennenkin. Riittää,
kun sanomme, että hän alkoi myötäänsä kysellä itseltään: miksi hän
silloin, ollessaan viimeistä yötä Fjodor Pavlovitšin talossa ennen
lähtöään, oli hiipinyt hiljaa kuin varas portaille ja kuunnellut, mitä isä
alhaalla tekee? Miksi hän muisteli tätä inhoten, miksi hänen
mielensä seuraavana aamuna matkalla yhtäkkiä oli tullut niin
surulliseksi ja miksi hän Moskovaan tultaessa oli sanonut itselleen:
»Minä olen roisto!» Ja nyt hän kerran tuli ajatelleeksi, että kaikkien
näitten kiusallisten ajatusten tähden hän kenties on valmis
unohtamaan Katerina Ivanovnankin, niin voimakkaasti ne yhtäkkiä
taas saivat hänet valtaansa! Juuri kun hän tätä ajatteli, hän kohtasi
Aljošan kadulla. Hän pysähdytti heti hänet ja kysyi häneltä yhtäkkiä:
— Muistatko sinä, kun päivällisen jälkeen Dmitri syöksyi taloon ja

löi isää ja minä sitten sanoin sinulle pihalla, että pidätän itselleni
»toivomisen oikeuden», — sano, luulitko sinä silloin minun toivovan
isän kuolemaa vai etkö?
— Luulin, — vastasi Aljoša hiljaa.
— Niin se muuten olikin, ei siinä ollut mitään arvaamista. Mutta

luulitko sinä silloin sitäkin, että minä nimenomaan toivoin, jotta
»toinen inhoittava olento söisi toisen», eli että juuri Dmitri tappaisi
isän, vieläpä niin pian kuin suinkin… ja että minä itsekään en ollut
haluton myötävaikuttamaan?
Aljoša kalpeni hiukan ja katsoi ääneti veljeään silmiin.
— Puhu toki! — huudahti Ivan. — Minä haluan kaikin voimin

tietää, mitä sinä silloin ajattelit. Minun pitää saada tietää totuus,
totuus!
Hän veti raskaasti henkeä katsoen jo etukäteen vihamielisesti

Aljošaan.
— Anna minulle anteeksi, minä ajattelin silloin sitäkin, — kuiskasi

Aljoša ja vaikeni lisäämättä mitään »lieventävää asianhaaraa».
— Kiitos! — tokaisi Ivan ja lähti kiireesti matkaansa jättäen

Aljošan. Siitä asti Aljoša huomasi, että veli Ivan alkoi omituisen
jyrkästi loitota hänestä eikä näyttänyt hänestä pitävän, niin että hän
itsekin lakkasi sitten käymästä tämän luona. Mutta sillä hetkellä, heti
tämän kohtaamisen jälkeen, Ivan Fjodorovitš kotiinsa poikkeamatta
lähti yhtäkkiä taas Smerdjakovin luo.
7.
Toinen käynti Smerdjakovin luona
Smerdjakov oli tähän aikaan päässyt sairashuoneesta. Ivan

Fjodorovitš tiesi hänen uuden asuntonsa: juuri tuossa kallellaan
olevassa, pienessä hirsimökissä, jossa oli kaksi eteisen erottamaa
huonetta. Toisessa tuvassa asui Maria Kondratjevna äitinsä kanssa
ja toisessa Smerdjakov yksinään. Jumala tiennee mistä syystä hän
oli joutunut asumaan heidän luokseen: elikö hän siellä ilmaiseksi
vaiko maksusta? Myöhemmin arveltiin, että hän oli asettunut heidän
luokseen asumaan Maria Kondratjevnan sulhasena ja eli aluksi
ilmaiseksi. Sekä äiti että tytär pitivät häntä hyvin suuressa arvossa ja
henkilönä, joka oli heidän yläpuolellaan. Kolkutettuaan Ivan
Fjodorovitš astui eteiseen ja meni Maria Kondratjevnan osoituksen
mukaan suoraan vasemmalle »siistiin tupaan», jossa Smerdjakov
asui. Tässä huoneessa oli kaakeliuuni, ja se oli hyvin kuumaksi
lämmitetty. Seiniä koristivat siniset seinäpaperit, tosin aivan
repaleiset, ja raoissa niitten alla kihisi torakoita ja russakoita kauheat
määrät, niin että kuului yhtämittaista kuhinaa. Kalustus oli kurjaa:
kaksi penkkiä kummankin seinän vierustalla ja kaksi tuolia pöydän
luona. Vaikka pöytä olikin paljasta puuta, niin sitä kuitenkin peitti
ruusunpunaisilla kuvioilla koristettu liina. Kahdella pienellä ikkunalla
oli kummallakin ruukku, jossa oli pelargoni. Nurkassa oli
pyhimyskuvainkaappi kuvineen. Pöydällä seisoi pieni, pahoin
kolhiintunut vaskinen teekeitin ja tarjotin, jolla oli kaksi kuppia. Mutta
teen oli Smerdjakov jo juonut ja teekeitin oli sammunut… Hän itse
istui pöydän takana lavitsalla ja katseli vihkoon sekä piirteli jotakin
kynällä. Mustepullo oli siinä vieressä ja samoin valurautainen matala
kynttilänjalka, jossa oli steariinikynttilä. Ivan Fjodorovitš päätteli heti
Smerdjakovin kasvoista, että tämä oli täydelleen parantunut
taudistaan. Hänen kasvonsa olivat terveemmän väriset ja
lihavammat, hiustöyhtö painettu alas, ohimohiukset voidellut. Yllään
hänellä oli kirjava, vanulla sisutettu viitta, joka kuitenkin oli hyvin
kulunut ja melko risainen. Hänen nenällään oli silmälasit, joita Ivan
Fjodorovitš ei ennen ollut hänellä nähnyt. Tämä aivan vähäpätöinen
seikka yhtäkkiä ikäänkuin teki kaksinkertaiseksi Ivan Fjodorovitšin
suuttumuksen: »Tuommoinen elukka, mutta silmälasit on nenällä!»
Smerdjakov kohotti hitaasti päänsä ja katsoi kiinteästi silmälasien
läpi tulijaan: sitten hän otti hiljaa lasit silmiltään ja nousi lavitsalta,
mutta ei ollenkaan kunnioittavasti, vaan ikäänkuin laiskastikin,
ainoastaan noudattaakseen kaikkein välttämättömintä
kohteliaisuutta, jota ilman ei juuri voi tulla toimeen. Kaikki tämä
välähti nopeasti Ivanin silmissä, ja hän huomasi sen kaiken heti, ja
varsinkin — Smerdjakovin katseen, joka oli ehdottomasti
vihamielinen, tyly ja kopeakin: »Mitä, mukamas, maleksit,
puhuttiinhan silloin kaikki selväksi, miksi olet taas tullut?» Ivan
Fjodorovitš jaksoi vaivoin hillitä itsensä.
— Kuuma sinulla on täällä, — sanoi hän vielä seisoen ja avasi

päällystakkinsa.
— Riisukaa pois, — salli Smerdjakov.
Ivan Fjodorovitš riisui päällystakkinsa ja heitti sen lavitsalle, otti

vapisevin käsin tuolin, siirsi sen nopeasti pöydän viereen ja istuutui.
Smerdjakov oli ennättänyt painautua lavitsalleen ennen häntä.
— Ensiksikin, olemmeko yksin? — kysyi Ivan Fjodorovitš ankarasti

ja tiukasti. — Eivätkö kuule puhettamme tuolta?
— Ei kukaan kuule mitään. Itse näitte: siinä on eteinen.
— Kuulehan, ystäväni: mitä sinä silloin lörpötit, kun lähdin luotasi

sairaalasta, että jos minä en kerro, miten sinä olet mestari
teeskentelemään kaatuvatautia, niin sinäkään muka et kerro
tutkintatuomarille kaikkea keskustelustamme portilla? Mitä se on tuo
kaikkea? Mitä sinä silloin oikeastaan tarkoitit? Uhkasitko sinä minua,
vai mitä? Olenko minä jonkinmoisessa liitossa sinun kanssasi,
pelkäänkö minä sinua, vai mitä?
Ivan Fjodorovitš lausui tämän aivan vihan vimmassa, antaen

selvästi ja tahallaan ymmärtää halveksivansa kaikkia esipuheita ja
kaikkea kaksimielisyyttä ja pelaavansa avointa peliä. Smerdjakovin
silmät välähtivät ilkeästi, vasen silmä alkoi vilkuttaa, ja hän vastasi
katseellaan heti, vaikkakin tapansa mukaan hillitysti ja tasaisesti:
»Jos tahdot puhdasta peliä, niin kyllä sitä saat minun puolestani.»
— Sitä minä silloin tarkoitin, — vastasi hän, — ja sitä varten minä

sen silloin lausuin, että te tietäen edeltäpäin isänne tulevan
murhattavaksi jätitte hänet silloin uhriksi ja että ihmiset eivät tämän
jälkeen päättelisi mitään pahaa teidän tunteistanne ja ehkäpä
jostakin muustakin, — sitä minä silloin lupasin olla ilmaisematta
viranomaisille.
Vaikka Smerdjakov puhuikin kiirehtimättä ja näennäisesti hilliten

itsensä, niin hänen äänessään oli kuitenkin jotakin lujaa ja
järkähtämätöntä, ilkeätä ja häikäilemättömän uhmaavaa. Hän loi
julkeasti silmänsä Ivan Fjodorovitšiin, ja tämän silmissä melkein
maailma meni sekaisin ensihetkellä:
— Kuinka? Mitä? Oletko sinä järjissäsi vai etkö?
— Aivan täydessä järjessäni!
— Tiesinkö minä sitten silloin murhasta? — huudahti Ivan

Fjodorovitš viimein ja iski lujasti nyrkkinsä pöytään. — Mitä
merkitsee: »ehkäpä jostakin muustakin?» Puhu, lurjus!
Smerdjakov oli vaiti ja katseli yhä Ivan Fjodorovitšia yhtä julkein

katsein.
— Sano, senkin löyhkäävä lurjus, mitä on »jostakin muustakin?»

— karjaisi Ivan.
— Tuolla »jollakin muulla» minä sillä hetkellä tarkoitin, että te

kenties itsekin suuresti toivoitte silloin isänne kuolemaa.
Ivan Fjodorovitš hypähti pystyyn ja iski kaikin voimin nyrkillään
häntä olkapäähän, niin että hän horjahti seinää vastaan.
Silmänräpäyksessä Smerdjakovin kasvot kostuivat kokonaan
kyynelistä. Lausuen: »On häpeä, herra, lyödä heikkoa miestä!» hän
yhtäkkiä peitti silmänsä siniruutuisella pumpulisella nenäliinallaan,
joka oli täyteen niistetty, ja alkoi hiljaa itkeä ja kyynelehtiä. Kului noin
minuutti.
— Riittää! Lakkaa! — sanoi viimein Ivan Fjodorovitš käskevästi ja

istuutui taas tuolille. — Älä pane minun kärsivällisyyttäni liian kovalle
koetukselle!
Smerdjakov otti rievun silmiltään. Jokainen piirre hänen

ryppyisissä kasvoissaan kuvasti hänen äsken juuri kärsimäänsä
loukkausta.
— Sinä ajattelit siis silloin, lurjus, että minä yksissä tuumin Dmitrin
kanssa tahdoin tappaa isän?
— Teidän silloisia ajatuksianne minä en tietänyt, — lausui

Smerdjakov loukkaantuneena, — ja siksi minä teidät silloin
pysähdytinkin mennessänne sisälle portista, jotta olisin teitä juuri
tässä kohdin tutkinut.
— Mitä tutkinut? Mitä?
— Nimenomaan juuri tuota asianhaaraa, tahdotteko te vai ettekö

tahdo, että isänne mahdollisimman pian tapetaan.
Enimmän suututti Ivan Fjodorovitšia tuo järkähtämättömän julkea

äänensävy, josta Smerdjakov itsepintaisesti ei ottanut luopuakseen.
— Sinä olet hänet tappanut! — huudahti hän yhtäkkiä.

Smerdjakov naurahti halveksivasti.
— Että minä en ole tappanut, sen tiedätte itse aivan hyvin. Ja

luulinpa, ettei älykkäällä miehellä olisi tästä enää mitään puhuttavaa.
— Mutta miksi, miksi sinussa silloin syntyi sellainen epäluulo

minua kohtaan?
— Niinkuin te jo tiedätte, niin yksinomaan pelosta. Minä olin näet

silloin semmoisessa tilassa, että pelon vallassa vavisten epäilin
kaikkia. Teitä päätin myös tutkia, sillä jos tekin, ajattelen, toivotte
samaa kuin veljennekin, niin silloin on koko tämä asia mennyttä, ja
siinä mylläkässä nitistetään minutkin kuin kärpänen.
— Kuule, kaksi viikkoa sitten sinä puhuit toista.
— Sitä samaa minä sairaalassakin teidän kanssanne puhuessani

tarkoitin ja arvelin vain, että te ymmärrätte ilman liikoja sanojakin
ettekä itsekään tahdo suoraan puhuttavan, kun olette sangen älykäs
mies.
— Kas vain! Mutta vastaa, vastaa, minä vaadin: miksi

nimenomaan, miten nimenomaan minä saatoin silloin herättää sinun
alhaisessa sielussasi semmoisen minua halventavan epäluulon?
— Tappaa — sitä te ette itse mitenkään olisi voinut ettekä te

tahtonutkaan, mutta että joku toinen tappaisi, sitä te tahdoitte.
— Ja miten levollisesti, miten levollisesti mies puhuukaan! Mutta

miksi minä olisin tahtonut, mistä ihmeen syystä minä olisin tahtonut?
— Kuinka niin, että mistä ihmeen syystä? Entä perintö? — tarttui

Smerdjakov puheeseen myrkyllisesti ja ikäänkuin
kostonhimoisestikin. — Saattoihan teille silloin jokaiselle kolmelle
veljelle langeta isän perintönä melkein neljäkymmentätuhatta
kullekin tai kenties enemmänkin, mutta jos Fjodor Pavlovitš silloin
olisi nainut sen rouvan, Agrafena Aleksandrovnan, niin tämä olisi
siirtänyt koko kapitaalin kohta vihkimisen jälkeen omalle nimelleen,
sillä he ovat sangen ymmärtäväinen, niin että teille kaikille kolmelle
veljelle ei olisi jäänyt isänne jälkeen kahta ruplaakaan. Mutta
kaukanako silloin oli naimisiinmeno? Hiuskarvasta se riippui: tuon
rouvan ei olisi tarvinnut kuin hiukan viitata pikkusormellaan, niin he
olisivat heti juosseet kieli pitkällä heidän jäljessään kirkkoon.
Ivan Fjodorovitšin oli hyvin vaikeata hillitä itseänsä.
— Hyvä on, — lausui hän viimein, — sinä näet, että minä en ole
hypännyt paikaltani, en ole pieksänyt sinua, en tappanut sinua. Jatka
puhettasi: sinun käsityksesi mukaan minä siis ennakolta määräsin
veli Dmitrin tekemään sen, toivoin hänestä apua?
— Kuinka ette olisi toivonut heistä apua; sillä jos he tappaisivat,

niin silloinhan he menettäisivät kaikki aatelisoikeutensa, virka-
arvonsa ja omaisuutensa ja joutuisivat pakkotyöhön. Silloinhan
heidän perintöosansa jäisi teille veli Aleksei Fjodorovitšin kanssa,
tasan jaettavaksi, siis ette saisi enää neljääkymmentä, vaan
kuusikymmentätuhatta mieheen. Ehdottomasti te silloin toivoitte
Dmitri Fjodorovitšista apua!
— Ihmeen paljon minä jaksan sietää puhettasi! Kuule, roisto: jos

minä silloin toivoin jostakusta olevan apua, niin tietystikin sinusta
enkä Dmitristä, ja minä vannon, että aavistelinkin jotakin katalaa
sinun puoleltasi… silloin… minä muistan vaikutelmani!
— Minäkin ajattelin silloin hetken ajan, että te toivotte minustakin
olevan apua, — tokaisi Smerdjakov ivallisesti, — niin että sillä te
juuri vielä enemmän silloin todistitte minulle syyllisyytenne, sillä jos
aavistelunne kohdistui minuun ja te kuitenkin samaan aikaan
matkustitte pois, niin siten te ikäänkuin sanoitte minulle: sinä voit
tappaa isäni, minä en ole esteenä.
— Roisto! Niinkö sinä ymmärsit!
— Ja kaiken vain tuon Tšermašnjan kautta. Hyväinen aika! Olette

lähdössä Moskovaan ja kaikkiin isänne pyyntöihin, että kävisitte
Tšermašnjassa, annoitte kieltävän vastauksen! Ja vain minun
tyhmän sanani johdosta yhtäkkiä suostuitte! Ja mitä syytä teillä
silloin oli suostua menemään tuonne Tšermašnjaan? Jos ette
lähtenyt Moskovaan, vaan Tšermašnjaan ilman syytä, yksistään
minun sanani johdosta, niin jotakin te siis minulta odotitte.
— En, vannon etten! — karjaisi Ivan hampaitaan kiristellen.
— Kuinka ette? Päinvastoin teidän, isänne pojan, olisi silloin

pitänyt ensityöksi sanojeni johdosta toimittaa minut poliisin huostaan
ja panna koville… ainakin iskeä siinä paikassa minua vasten
kuonoa, mutta te, Herra nähköön, päinvastoin ollenkaan
vihastumatta heti paikalla ystävällisesti teette aivan täsmälleen
tyhmän sanani mukaisesti ja matkustatte, mikä oli aivan päätöntä,
sillä teidän olisi pitänyt jäädä suojelemaan isänne henkeä… Kuinka
minä en olisi tehnyt sellaista johtopäätöstä?
Ivan istui otsa rypyssä, molemmat nyrkit suonenvedontapaisesti

polvia vastaan painettuina.
— Niin, se oli vahinko, että en iskenyt sinua silloin päin kuonoa, —
naurahti hän katkerasti. — Poliisiputkaan ei sinua silloin voinut
kuljettaa: kuka minua olisi uskonut, ja mihin minä olisin voinut
vedota, mutta antaa päin kuonoa… uh, olipa vahinko, etten
hoksannut tehdä sitä; vaikka päin naamaa iskeminen onkin kielletty,
niin kylläpä olisin lyönyt naamataulusi mäsäksi.
Smerdjakov katseli häntä melkein nauttien.
— Tavallisissa elämän tilanteissa, — alkoi hän puhua sillä

itserakkaalla ja opettavaisella äänensävyllä, jolla hän aikoinaan oli
väitellyt Grigori Vasiljevitšin kanssa uskosta ja ärsytellyt tätä Fjodor
Pavlovitšin tuolin takana seisoessaan, — tavallisissa elämän
tilanteissa on päin kuonoa lyöminen nykyjään todellakin laissa
kielletty, ja kaikki ovat lakanneet lyömästä, mutta erinäisissä elämän
tilanteissa, ei ainoastaan meillä, vaan koko maailmassa, olkoonpa
kysymyksessä vaikkapa täydellinen ranskalainen tasavalta, yhä
kuitenkin lyödään aivan kuin Aatamin ja Eevan aikaan, eikä koskaan
lakatakaan sitä tekemästä, mutta te silloin erikoisessa tilanteessa
ette uskaltanut.
— Miksi sinä opiskelet ranskalaisia sanoja? — sanoi Ivan

nyökäyttäen päätään vihkoa kohti, joka oli pöydällä.
— Miksi minä en opiskelisi niitä edistääkseni siten sivistystäni

ajatellen, että ehkäpä minä itsekin joskus saan oleskella noilla
onnellisilla Euroopan seuduilla.
— Kuule, hylkiö, — sanoi Ivan silmät salamoiden ja koko ruumis

vavisten, — minä en pelkää sinun syytöksiäsi, todista minua vastaan
mitä tahdot, ja jos minä äsken en lyönyt sinua kuoliaaksi, niin jätin
sen tekemättä vain siksi, että epäilen sinua syylliseksi tähän
rikokseen ja toimitan sinut oikeuden käsiin. Minä paljastan sinut
vielä.
— Minun mielestäni teidän on parempi pitää suunne kiinni. Sillä

mistä te voitte minua syyttää, kun minä olen täysin viaton, ja kuka
teitä uskoo? Mutta jos te vain alatte, niin minäkin kerron kaiken, sillä
kuinka en puolustaisi itseäni?
— Luuletko, että minä nyt pelkään sinua?
— Olkoonpa, että kaikkia näitä sanojani, jotka nyt olen puhunut

teille, ei uskota oikeudessa, niin sen sijaan yleisö uskoo ja te saatte
hävetä.
— Tämä merkitsee taaskin, että: »viisaan miehen kanssa maksaa

kyllä vaivan puhua», — vai mitä? — sanoi Ivan kiristellen
hampaitaan.
— Osasitte ihan oikeaan. Viisas tulette olemaankin.
Ivan Fjodorovitš nousi inhosta väristen, otti päällystakin ylleen ja

poistui nopeasti huoneesta vastaamatta enää Smerdjakoville ja
häneen edes katsomatta. Raikas illan ilma virkisti häntä. Taivaalla
loisti kirkkaana kuu. Ajatukset ja tunteet kiehuivat hänen sielussaan
muodostuen kauheaksi painajaiseksi. »Menisinkö heti ilmiantamaan
Smerdjakovin? Mutta mistä minä hänet ilmiantaisin: hän on kuitenkin
syytön. Päinvastoin hän syyttää silloin minua. Miksi minä todellakin
silloin lähdin Tšermašnjaan? Miksi, miksi?» kyseli Ivan Fjodorovitš.
»Niin, tietysti minä odotin jotakin, ja hän on oikeassa»… Ja hänelle
muistui taas jo sadannen kerran mieleen, kuinka hän viimeisenä
yönä isänsä luona salaa kuunteli portailta tämän toimia, mutta nyt
tuo muisto tuotti niin suurta kärsimystä, että hän ihan pysähtyi
paikalleen aivan kuin hänet olisi lävistetty: »Niin, minä toivoin silloin
sitä, se on totta! Minä tahdoin, minä nimenomaan tahdoin murhaa!
Tahdoinko minä murhaa, tahdoinko?… Täytyy tappaa Smerdjakov!…
Jos minä en uskalla nyt tappaa Smerdjakovia, niin ei kannata
elääkään!…» Ivan Fjodorovitš meni silloin kotonaan käymättä
suoraan Katerina Ivanovnan luo ja pelästytti hänet tulollaan: hän oli
kuin mieletön. Hän kertoi Katerina Ivanovnalle koko keskustelun
Smerdjakovin kanssa aivan pikkupiirteitä myöten. Hän ei voinut
rauhoittua Katerina Ivanovnan tyynnyttelystä huolimatta, asteli koko
ajan huoneessa ja puhui katkonaisesti, omituisesti. Viimein hän
istuutui, nojasi kyynärpäänsä pöytään, pani päänsä molempien
käsiensä varaan ja lausui omituisen mietelmän:
— Jos murhaaja ei ole Dmitri, vaan Smerdjakov, niin silloin tietysti

minä olen vastuunalainen yhdessä hänen kanssaan, sillä minä yllytin
häntä. Olenko minä yllyttänyt häntä, — sitä en vielä tiedä. Mutta jos
vain hän on murhannut, eikä Dmitri, niin tietysti minäkin olen
murhaaja.
Kuultuaan tämän Katerina Ivanovna mitään sanomatta nousi

paikaltaan, meni kirjoituspöytänsä luo, avasi sillä olevan lippaan, otti
lippaasta erään paperin ja pani sen Ivanin eteen. Tämä paperi oli se
sama asiakirja, jota Ivan Fjodorovitš myöhemmin mainitsi Aljošalle
»matemaattisesti sitovana todistuskappaleena» siitä, että veli Dmitri
oli surmannut isän. Se oli kirje, jonka Mitja oli juovuksissa kirjoittanut
Katerina Ivanovnalle sinä samana iltana, jolloin hän oli kohdannut
kedolla Aljošan tämän ollessa matkalla luostariin, sen Katerina
Ivanovnan kodissa sattuneen kohtauksen jälkeen, kun Grušenjka oli
loukannut Katerina Ivanovnaa. Erottuaan Aljošasta Mitja silloin riensi
Grušenjkan luo; ei tiedetä, tapasiko hän Grušenjkan, mutta iltayöstä
hän ilmestyi »Pääkaupunki»-ravintolaan ja joi siellä itsensä
asianmukaisesti humalaan. Humalassa ollessaan hän pyysi kynän ja
paperia ja raapusti kokoon hänelle tärkeän paperin. Se oli päätön,
monisanainen ja sekava kirje, »humalainen» kirje. Se oli samanlaista
kuin on silloin, kun juopunut mies kotiin tultuaan alkaa tavattoman
kiihtyneenä kertoa vaimolleen tai jollekulle muulle kotiväestä, kuinka
häntä äsken juuri on loukattu, millainen lurjus loukkaajana on, miten
hän itse sen sijaan on mainio ihminen, ja kuinka hän vielä näyttää
tuolle loukkaajalle, — ja kertoo tämän kaiken hirveän pitkään ja
laajasti, sotkuisesti ja kiihtyneenä lyöden nyrkkiä pöytään ja itkien
juopuneen kyyneliä. Kirjepaperi, joka hänelle oli ravintolassa
annettu, oli likainen palanen tavallista kirjepaperia, huonoa lajia, ja
sen takapuolelle oli kirjoitettu jokin lasku. Juopuneen
monisanaisuudelle nähtävästi ei ollut siinä riittävästi tilaa, ja Mitja oli
kirjoittanut täyteen kaikki reunustat sekä kirjoittanut viimeiset rivit
poikittain jo kirjoitetun yli. Kirje oli näin kuuluva:
»Kohtalokas Katja! Huomenna hankin rahaa ja annan sinulle

takaisin kolmetuhattasi, ja hyvästi — suuren vihan nainen, mutta
hyvästi myös rakkauteni! Tehkäämme loppu! Huomenna koetan
hankkia kaikilta ihmisiltä, mutta jos en saa ihmisiltä, niin vakuutan
sinulle kunniasanalla, että menen isäni luo ja halkaisen hänen
kallonsa ja otan hänen tyynynsä alta, kunhan vain Ivan lähtisi pois.
Menen pakkotyöhön, mutta annan takaisin kolmetuhatta. Ja sinä
itse jää hyvästi. Kumarran maahan asti, sillä olen sinun edessäsi
lurjus. Anna minulle anteeksi. Ei, mieluummin älä anna anteeksi:
niin on helpompi sekä minulle että sinulle! Mieluummin pakkotyö
kuin sinun lempesi, sillä lemmin toista, mutta hänet sitä tulit tänään
liian hyvin tuntemaan, kuinka voisitkaan antaa anteeksi? Tapan
sen, joka on minulta varastanut! Menen teidän kaikkien luota pois
Itään, jotta en tietäisi kenestäkään. Hänestäkään en tahdo tietää,
sillä et sinä yksin ole kiduttaja, vaan hän myöskin. Hyvästi!
P.S. Kirousta kirjoitan, mutta sinua jumaloin! Kuulen äänen
rinnassani. Kieli on jäänyt jäljelle ja se soi. Mieluummin sydän
haljetkoon! Tapan itseni, mutta sitä ennen kuitenkin koiran. Riistän
häneltä kolme ja paiskaan sinulle. Vaikka olenkin lurjus edessäsi,
niin en ole varas! Odota kolmeatuhatta. Koiralla on patjan alla,
ruusunpunainen nauha. En minä ole varas, vaan minulta
varastaneen tapan. Katja, älä katso halveksivasti: Dmitri ei ole
varas, vaan murhaaja! Isänsä tappoi ja itsensä syöksi turmioon,
jotta seisoisi eikä sietäisi ylpeyttäsi. Eikä rakastaisi sinua.
PP.S. Suutelen jalkojasi, jää hyvästi!
PP.SS. Katja, rukoile Jumalaa, että ihmiset antaisivat rahoja.

Silloin en tule olemaan veren tahrima, mutta jos eivät anna, — niin
olen veressä! Tapa minut!
Orja ja vihamies
D. Karamazov.»
Kun Ivan oli lukenut »asiakirjan», niin hän tuli täysin vakuutetuksi.
Murhaaja oli siis hänen veljensä eikä Smerdjakov. Ei Smerdjakov,
siis ei myöskään hän, Ivan. Tämä kirje sai yhtäkkiä hänen silmissään
matemaattisen todistuksen merkityksen. Hänellä ei voi enää olla
mitään epäilyksiä, etteikö Mitja olisi syyllinen. Semmoista epäluuloa,
että Mitja oli voinut murhata yhdessä Smerdjakovin kanssa, ei
koskaan ollut Ivanin mielessä ollut eikä se sopinut yhteen
tosiseikkain kanssa. Ivan oli täydellisesti rauhoittunut. Seuraavana
aamuna hän tunsi vain halveksimista muistellessaan Smerdjakovia
ja tämän ivallisia puheita. Muutaman päivän kuluttua hän ihan
ihmetteli, kuinka oli voinut niin syvästi loukkaantua tämän
epäluuloista. Hän päätti halveksia Smerdjakovia ja unohtaa hänet.
Näin meni kuukausi. Smerdjakovista hän ei enää kysynyt
keneltäkään mitään, mutta kuuli pari kertaa sivumennen tämän
olleen hyvin sairaana ja päästään sekaisin. »Hän kuolee hulluna»,
sanoi hänestä kerran nuori lääkäri Varvinski, ja tämä jäi Ivanille
mieleen. Tämän kuukauden viimeisellä viikolla Ivan itse alkoi tuntea
olevansa hyvin huonovointinen. Lääkärin kanssa, jonka Katerina
Ivanovna oli Moskovasta tilannut ja joka oli saapunut juuri vähän
ennen kuin tuomio julistettiin, hän oli jo käynyt neuvottelemassa. Ja
juuri tähän aikaan hänen suhteensa Katerina Ivanovnaan kärjistyivät
äärimmilleen. He olivat ikäänkuin kaksi toisiinsa rakastunutta
vihamiestä. Katerina Ivanovnan hetkelliset, mutta voimakkaat
kiintymyksen puuskat Mitjaan saivat Ivanin aivan raivostumaan.
Omituista oli, että ihan viimeiseen kohtaukseen saakka, jonka
kuvasimme tapahtuneen Katerina Ivanovnan luona, kun sinne
saapui Mitjan luota Aljoša, ei hän, Ivan, ollut koko kuukauden aikana
kertaakaan kuullut Katerina Ivanovnan epäilevän Mitjan syyllisyyttä
huolimatta kaikista tämän »palaamisista» takaisin Mitjan ystäväksi,
joita Ivan niin suuresti vihasi. Merkillistä on sekin, että hän tuntien
vihaavansa Mitjaa päivä päivältä yhä enemmän samalla ymmärsi,
ettei hän vihannut häntä Katjan »palaamisten» takia, vaan
nimenomaan siksi, että hän oli tappanut isän! Hän tunsi ja tiesi
tämän itse täydelleen. Siitä huolimatta hän kymmenkunta päivää
ennen tuomion lankeamista kävi Mitjan luona ja esitti tälle
pakosuunnitelman, — suunnitelman, jonka hän ilmeisesti oli jo kauan
sitten miettinyt. Paitsi tärkeintä syytä, joka oli saanut hänet astumaan
tämmöisen askelen, vaikutti siihen myös eräs Smerdjakovin pikku
sana, joka oli raapaissut hänen sydämeensä parantumattoman
haavan, nimittäin se, että hänelle, Ivanille, muka oli edullista, että
hänen veljeään syytettiin, sillä silloin isältä peritty rahasumma
kohoaa hänen ja Aljošan osalta neljästäkymmenestätuhannesta
kuuteenkymmeneentuhanteen. Hän päätti omasta puolestaan uhrata
kolmekymmentätuhatta järjestääkseen Mitjan paon. Palatessaan
silloin tämän luota hän oli hirveän surullisella ja ahdistuneella
mielellä: hänestä oli äkkiä alkanut tuntua, ettei hän tahdo pakoa
ainoastaan sen vuoksi, että saisi uhrata kolmekymmentätuhatta ja
parantaa sydämeensä raapaistun haavan, vaan jostakin muustakin
syystä. »Senköhän vuoksi, että sydämessäni minäkin olen
samanlainen murhaaja?» kysyi hän itseltään. Jokin kaukainen, mutta
polttava tuska kirveli hänen sieluaan. Tärkeintä oli, että koko tämän
kuukauden aikana hänen ylpeytensä oli kärsinyt, mutta tästä
edempänä… Tarttuessaan asuntonsa ovikellon ripaan sen jälkeen
kuin oli keskustellut Aljošan kanssa ja päättäessään yhtäkkiä mennä
Smerdjakovin luo Ivan Fjodorovitš toimi erään erikoisen, yhtäkkiä
hänen rinnassaan kiehahtaneen pahastumisen vallassa. Hän oli
äkkiä muistanut, miten Katerina Ivanovna äsken juuri oli huudahtanut
hänelle Aljošan läsnäollessa: »vain sinä, yksistään sinä olet saanut
minut uskomaan, että hän (t.s. Mitja) on murhaaja!» Muistettuaan
tämän Ivan ihan jähmettyi: ei koskaan elämässä hän ollut koettanut
saada Katerina Ivanovnaa vakuutetuksi, että murhaaja on Mitja,
päinvastoin hän oli vielä epäillyt itseään hänen edessään silloin kun
oli palannut Smerdjakovin luota. Päinvastoin hän, Katerina Ivanovna,
oli pannut silloin hänen eteensä »asiakirjan» ja näyttänyt toteen
veljen syyllisyyden. Ja nyt juuri hän yhtäkkiä huudahtaa: »Minä olen
itse ollut Smerdjakovin luona!» Milloin hän on ollut? Ivan ei tietänyt
mitään tästä. Katerina Ivanovna ei siis ole niinkään vakuutettu Mitjan
syyllisyydestä! Ja mitä on Smerdjakov saattanut hänelle sanoa?
Mitä, mitä hän on hänelle sanonut? Kauhea viha syttyi Ivanin
sydämeen. Hän ei käsittänyt, miten hän oli voinut puoli tuntia
aikaisemmin antaa noitten Katerina Ivanovnan sanojen livahtaa
ohitseen rupeamatta silloin heti huutamaan. Hän jätti ovikellon
sikseen ja lähti rientämään Smerdjakovin luo. »Minä tapan hänet
kenties tällä kertaa», ajatteli hän matkalla.
8.
Kolmas ja viimeinen käynti Smerdjakovin luona
Puolimatkassa alkoi puhaltaa pureva, kuiva tuuli, samanlainen

kuin oli puhaltanut aikaisin aamulla sinä päivänä, ja alkoi putoilla
tiheään hienoa, kuivaa lunta. Se putosi maahan tarttumatta siihen,
tuuli pyöritteli sitä, ja kohta alkoi täydellinen lumipyry. Siinä osassa
kaupunkiamme, missä Smerdjakov asui, ei juuri nimeksikään ole
lyhtyjä. Ivan Fjodorovitš asteli pimeässä huomaamatta lumimyrskyä,
vaistomaisesti löytäen tien. Hänen päätään kivisti ja ohimoissa
jyskytti kipeästi. Hänen kämmenissään, hän tunsi sen, oli
suonenvetoa. Jonkin matkan päässä Maria Kondratjevnan talosta
Ivan Fjodorovitš yhtäkkiä kohtasi yksinäisen juopuneen,
pienikokoisen miehen, jolla oli yllään paikattu talonpoikaisviitta ja
joka kulki polvitellen, murisi ja riiteli, mutta lakkasi yhtäkkiä
riitelemästä ja alkoi käheällä humalaisen äänellä laulaa laulua:
Jussi Pietariin on mennyt, enkä häntä odota.
Hän katkaisi kuitenkin aina laulunsa tähän toiseen säkeeseen ja

alkoi taas torua jotakuta, mutta sitten hän taas yhtäkkiä alkoi vedellä
samaa laulua. Ivan Fjodorovitš oli jo pitkän aikaa tuntenut hirveätä
vihaa häntä kohtaan, ollenkaan ajattelematta häntä, ja huomasi
äkkiä hänet. Heti alkoi hänen vastustamattomasti tehdä mieli iskeä
ylhäältäpäin nyrkillä pientä miestä. Juuri sillä hetkellä he tulivatkin
toistensa kohdalle, ja mies kovasti horjahtaen törmäsi yhtäkkiä
voimakkaasti Ivania vastaan. Tämä töytäisi hänet raivostuneena
luotaan. Mies lensi pitkän matkan päähän ja mätkähti kuin tukki
jäätyneeseen maahan, voihkaisi vain yhden kerran: »o-o!» ja
vaikeni. Ivan harppasi hänen luokseen.
Mies makasi selällään aivan liikkumatta, tajuttomana. »Paleltuu!»

ajatteli Ivan ja lähti taas astelemaan Smerdjakovin luo.
Jo eteisessä Maria Kondratjevna, joka oli kynttilä kädessä juossut

avaamaan ovea, kuiskasi hänelle, että Pavel Fjodorovitš (t.s.
Smerdjakov) ovat hyvin sairas, eivät kylläkään vuoteen omana, vaan
aivan kuin eivät olisi täydessä järjessään, ja käskivät korjata teenkin
pois, eivät tahtoneet sitä juoda.
— Raivoaako hän, vai kuinka? — kysyi Ivan Fjodorovitš tylysti.
— Vielä mitä, päinvastoin ovat aivan hiljaa, mutta älkää te

kuitenkaan keskustelko hänen kanssaan kovin kauan… — pyysi
Maria Kondratjevna.
Ivan Fjodorovitš avasi oven ja astui sisälle tupaan.
Huonetta oli lämmitetty yhtä kovasti kuin edelliselläkin kerralla,

mutta siellä oli havaittavissa eräitä muutoksia: toinen sivuilla olevista
penkeistä oli viety pois, ja sen sijalle oli ilmestynyt iso, nahalla
päällystetty mahonkinen sohva. Sille oli laitettu vuode, jossa oli
jokseenkin siistit valkoiset tyynyt. Vuoteella istui Smerdjakov
entisessä viitassaan. Pöytä oli siirretty sohvan eteen, niin että
huoneessa nyt oli sangen ahdasta. Pöydällä oli jokin paksu kirja,
jossa oli keltainen päällyspaperi, mutta Smerdjakov ei lukenut sitä,
vaan näytti istuvan mitään tekemättä. Hän loi pitkän, äänettömän
katseen Ivan Fjodorovitšiin eikä näyttänyt ollenkaan hämmästyvän
tämän tulosta. Hänen kasvonsa olivat suuresti muuttuneet, hän oli
tullut hyvin laihaksi ja keltaiseksi. Silmät olivat kuopalla, silmien
alukset olivat siniset.
— Oletko sinä siis todella sairas? — sanoi Ivan Fjodorovitš

pysähtyen. — Minä en pidätä sinua kauan enkä edes riisu
päällystakkianikaan. Minne täällä voi istuutua?
Hän astui pöydän toiseen päähän, siirsi pöydän luo tuolin ja

istuutui.
— Mitä sinä katsot ja olet vaiti? Minulla on vain yksi kysymys

tehtävänä, ja minä vannon, etten lähde luotasi vastausta saamatta:
oliko sinun luonasi neiti, Katerina Ivanovna?
Smerdjakov oli pitkän aikaa ääneti katsellen kuten ennenkin hiljaa

Ivania, mutta yhtäkkiä hän viittasi kädellään ja käänsi kasvonsa
poispäin hänestä.
— Mitä sinä? — huudahti Ivan.
— En mitään.
— Mitenkä et mitään?
— No oli, samantekeväähän se teille on. Jättäkää rauhaan.
— Ei, en jätä! Sano, milloin hän oli?
— Olen unohtanut muistaakin häntä, — naurahti Smerdjakov

halveksivasti ja kääntäen yhtäkkiä taas kasvonsa Ivaniin päin hän
katsoi tätä raivokkaan vihaisella katseella, samalla katseella, jonka

Textbook Algorithms and Architectures For Parallel Processing 16Th International Conference Ica3Pp 2016 Granada Spain December 14 16 2016 Proceedings 1St Edition Jesus Carretero Ebook All Chapter PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Textbook Algorithms and Architectures For Parallel Processing 16Th International Conference Ica3Pp 2016 Granada Spain December 14 16 2016 Proceedings 1St Edition Jesus Carretero Ebook All Chapter PDF

Uploaded by

Copyright:

Available Formats

Algorithms and Architectures for

Parallel Processing 16th International

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures for Parallel Processing

Algorithms and Architectures

Ryan K.L. Ko Peter Mueller

Koji Nakano (Eds.)

Algorithms and Architectures

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Library of Congress Control Number: 2016959169

LNCS Sublibrary: SL1 – Theoretical Computer Science and General Issues

© Springer International Publishing AG 2016

Printed on acid-free paper

This Springer imprint is published by Springer Nature

Welcome to the proceedings of the 16th International Conference on Algorithms and

December 2016 Jesús Carretero

On behalf of the Program Committee of the 16th International Conference on Algo-

December 2016 Peter Muller

Sudip Chakraborty Valdosta State University, USA

Juan-L. García-Zapata University of Extremadura, Spain

Ryan K.L. Ko The University of Waikato, New Zealand

Iosif Meyerov UNN, Russia

Estefania Serrano University Carlos III of Madrid, Spain

Yongdong Wu Institute for Infocomm Research, Singapore

Andión, José M. Fernandez, Javier Soundararajan, Varun

Parallel and Distributed Architectures

Intelligent SPARQL Endpoints: Optimizing Execution Performance

Hardware-Based Sequential Consistency Violation Detection Made Simpler . . . 18

Optimized Mapping Spiking Neural Networks onto Network-on-Chip . . . . . . 38

Software Systems and Programming

A Portable Lock-Free Bounded Queue. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

A C++ Generic Parallel Pattern Interface for Stream Processing . . . . . . . . . . 74

Creating Distributed Execution Plans with BobolangNG . . . . . . . . . . . . . . . 88

A New Scalable Approach for Distributed Metadata in HPC . . . . . . . . . . . . 106

Enabling Android-Based Devices to High-End GPGPUs . . . . . . . . . . . . . . . 118

Distributed and Network-Based Computing

3-Additive Approximation Algorithm for Multicast Time in 2D

Online Resource Coalition Reorganization for Efficient Scheduling

Graphein: A Novel Optical High-Radix Switch Architecture

Improving the Performance of Volunteer Computing with Data Volunteers:

Microcities: A Platform Based on Microclouds for Neighborhood Services. . . 192

Impact of Shutdown Techniques for Energy-Efficient Cloud Data Centers . . . 203

Processing Partially Ordered Requests in Distributed Stream

Implement and Optimization of Indoor Positioning System Based

Big Data and Its Applications

Optimizing Inter-server Communications by Exploiting Overlapping

Road Segment Information Based Named Data Networking

Energy-Aware Query Processing on a Parallel Database Cluster Node . . . . . . 260

Current Flow Betweenness Centrality with Apache Spark. . . . . . . . . . . . . . . 270

Parallel and Distributed Algorithms

Light Loss-Less Data Compression, with GPU Implementation . . . . . . . . . . . 281

Deterministic Construction of Regular Geometric Graphs with Short

A GPU-Based Backtracking Algorithm for Permutation Combinatorial

Buffer Minimization for Rate-Optimal Scheduling of Synchronous

Implementing Snapshot Objects on Top of Crash-Prone Asynchronous

Scaling DBSCAN-like Algorithms for Event Detection Systems in Twitter. . . 356

Towards Parallel CFD Computation for the ADAPT Framework. . . . . . . . . . 374

Feedback Control Optimization for Performance and Energy Efficiency