SedonaDB 0.4 acelera joins espaciais utilizando poder computacional de GPUs

O RayBooster é uma extensão do SedonaDB 0.4 que transforma núcleos de ray tracing, originalmente projetados para iluminação em jogos, em aceleradores de joins espaciais. Ele não é um driver ou biblioteca independente, mas parte integrada da engine de consulta, com quatro componentes técnicos concretos: layout de armazenamento SoA (Structure of Arrays) para acesso aleatório O(1) a geometrias; um único BVH global construído via Z-stacking, eliminando milhares de índices locais; um predicado universal baseado na matriz DE-9IM executado diretamente nos RT cores; e um sistema de spilling adaptativo que gerencia memória GPU mesmo em workloads irregulares. Isso permite que uma RTX 3090, sem suporte a CUDA Tensor Cores ou Hopper arquitetura, supere uma H100 em consultas como Q10, porque o gargalo não é FLOPS, mas eficiência na avaliação topológica de interseções.

O foco é estritamente em *spatial joins*, não em processamento geral de geodados: não acelera ST_Within ou ST_Distance isolados, nem raster analytics ou conversões de formato. Funciona apenas em máquinas com GPUs NVIDIA compatíveis (compute capability 7.5+), exigindo Docker + NVIDIA Container Toolkit. Não há suporte nativo para AMD ou Intel Arc.

Na cobertura anterior do CEVIU sobre geo joins artigo original, destacamos otimizações baseadas em índices hierárquicos (como H3) que reduzem complexidade quadrática via pré-filtragem. O RayBooster muda o paradigma: troca filtragem por execução direta no hardware especializado. Enquanto o Floe reescreve consultas para usar grids, o RayBooster ignora a etapa de indexação tradicional e executa o join bruto, mas em RT cores. Isso explica por que ganhos variam entre 4,66x e 9,68x: dependem da distribuição espacial dos dados, não da cardinalidade. Também é a primeira vez que uma versão estável do SedonaDB oferece aceleração por GPU, versões anteriores (0.1, 0.3) eram CPU-only e não mencionavam suporte a hardware acelerado.

Para engenheiros de dados que operam pipelines de mobilidade urbana, logística ou sensoriamento remoto, isso significa cortar custos em até 59% na AWS sem reescrever queries SQL ou migrar para soluções distribuídas. Um pipeline que levava 53 segundos em CPU agora roda em menos de 7 segundos numa única máquina com RTX 3090, eliminando necessidade de clusterização, shuffle ou broadcast. É especialmente relevante em ambientes onde dados espaciais são intermediários (ex: cruzamento de GPS com zonas de entrega), não o dado final. A limitação prática? Só funciona em workloads que cabem na VRAM: o spilling ajuda, mas não substitui memória física, loads com geometrias massivas (>100M features) ainda exigem partição manual ou pré-agregação.