[논문 리뷰] Read Mapping Near Non-Volatile Memory

S. Karen Khatamifard, Zamshed I. Chowdhury외 4명|arXiv (Cornell University)|2017. 09. 07.

Network Packet Processing and Optimization참고 문헌 44인용 수 4

한 줄 요약

GeNVoM은 단일 DNA 서열에 대한 확장 가능한 유사성 매칭을 가능하게 하는 저전력, 고처리량 읽기 매핑 가속기로, 저항성 비揮성 TCAM을 활용한다. 변형 인식 sense 증폭기 조정 기법과 계층적 유사성 매칭을 도입함으로써 GPU 기준 대비 최대 113.5배 높은 처리량과 210.9배 낮은 에너지 소비를 달성하여 TCAM의 노이즈 및 근사 매칭 처리 능력에 한계가 있음을 극복한다.

ABSTRACT

DNA sequencing is the physical/biochemical process of identifying the location of the four bases (Adenine, Guanine, Cytosine, Thymine) in a DNA strand. As semiconductor technology revolutionized computing, modern DNA sequencing technology (termed Next Generation Sequencing, NGS)revolutionized genomic research. As a result, modern NGS platforms can sequence hundreds of millions of short DNA fragments in parallel. The sequenced DNA fragments, representing the output of NGS platforms, are termed reads. Besides genomic variations, NGS imperfections induce noise in reads. Mapping each read to (the most similar portion of) a reference genome of the same species, i.e., read mapping, is a common critical first step in a diverse set of emerging bioinformatics applications. Mapping represents a search-heavy memory-intensive similarity matching problem, therefore, can greatly benefit from near-memory processing. Intuition suggests using fast associative search enabled by Ternary Content Addressable Memory (TCAM) by construction. However, the excessive energy consumption and lack of support for similarity matching (under NGS and genomic variation induced noise) renders direct application of TCAM infeasible, irrespective of volatility, where only non-volatile TCAM can accommodate the large memory footprint in an area-efficient way. This paper introduces GeNVoM, a scalable, energy-efficient and high-throughput solution. Instead of optimizing an algorithm developed for general-purpose computers or GPUs, GeNVoM rethinks the algorithm and non-volatile TCAM-based accelerator design together from the ground up. Thereby GeNVoM can improve the throughput by up to 113.5 times (3.6); the energy consumption, by up to 210.9 times (1.36), when compared to a GPU (accelerator) baseline, which represents one of the highest-throughput implementations known.

연구 동기 및 목표

• 초기 증가하는 NGS 데이터로 인한 단일 서열 매핑 가속화의 증가하는 계산적 과제를 해결하기 위해.
• NGS 데이터에서 흔히 발생하는 삽입, 삭제, 치환 등의 노이즈와 근사 매칭을 처리하는 데 있어 기존 TCAM의 한계를 극복하기 위해.
• 근접 메모리 처리와 비揮성 TCAM을 활용한 확장 가능하고 에너지 효율적인 가속기 설계를 위해.
• TCAM 기반 가속화의 핵심 단점인 높은 에너지 소비와 유사성 매칭 지원 부재 문제를 해결함으로써 생물정보학 분야에서의 실용적 구현 가능성을 높이기 위해.

제안 방법

• 변형 인식 sense 증폭기 전압 조정 기법을 활용해 행 크기 제약 없이 근사 매칭을 가능하게 하는 저항성 비揮성 TCAM을 위한 새로운 유사성 매칭 메커니즘을 도입한다.
• 진행 단계별로 점진적으로 매칭을 정밀화하는 계층적, 다단계 유사성 매칭 접근 방식을 적용하여 정확도와 확장 가능성을 향상시킨다.
• 유사성 매칭을 효율적으로 수행하면서도 저장 복잡도를 낮추는 게놈 데이터 표현 방식을 설계한다.
• 유사성 매칭 메커니즘에 맞는 검색 공간 잘라내기 기법을 적용하여 불필요한 TCAM 액세스와 에너지 소비를 줄인다.
• 서열의 주요 노이즈 유형인 치환, 삽입, 삭제를 매칭 논리에 통합함으로써 이에 대한 처리 능력을 최적화한다.
• 최근 45nm 스핀트로닉 및 90nm PCM 기반 설계를 포함한 모든 저항성 CAM 어레이에 적합하도록 설계되어 광범위한 하드웨어 호환성을 확보한다.

실험 결과

연구 질문

• RQ1 저항성 비휘성 TCAM이 근사 매칭 처리 능력과 높은 에너지 소비라는 내재적 한계가 있음에도 불구하고 고처리량, 저에너지 읽기 매핑에 효과적으로 활용될 수 있는가?
• RQ2 NGS 유도 노이즈(예: 치환, 인ser션/델리션) 상황에서도 확장 가능성이나 면적 효율성을 희생시키지 않고 TCAM 기반 가속기에서 유사성 매칭을 지원할 수 있는가?
• RQ3 어떤 새로운 데이터 표현 및 잘라내기 기법이 유사성 매칭 환경에서 TCAM 액세스와 에너지 사용량을 최소화하는 데 기여할 수 있는가?
• RQ4 어떻게 변형 인식 sense 증폭기 조정 기법이 행 길이 제약 없이 저항성 TCAM에서 근사 매칭을 효과적으로 가능하게 하는가?
• RQ5 제안된 GeNVoM 아키텍처는 단일 서열 매핑에서 최신 GPU 가속기 대비 처리량과 에너지 효율성 측면에서 어느 정도 뛰어나게 되는가?

주요 결과

• GeNVoM은 최적화된 GPU 기반 가속기 대비 최대 113.5배 높은 처리량과 210.9배 낮은 에너지 소비를 달성한다.
• 제안된 변형 인식 sense 증폭기 조정 기법은 행 크기 제약 없이 저항성 비휘성 TCAM에서 효과적인 근사 매칭을 가능하게 하여 확장성의 핵심 요소가 된다.
• 계층적 유사성 매칭 메커니즘은 단계별로 점진적으로 매칭을 정밀화함으로써 정확도를 향상시키면서도 고처리량을 유지한다.
• 검색 공간 잘라내기 기법은 불필요한 TCAM 액세스를 줄여 직접 에너지 절감과 효율성 향상에 기여한다.
• 기존 저항성 CAM 기술(45nm 스핀트로닉 및 90nm PCM 기반 CAM 어레이 포함)과 호환되어 실용적 구현이 가능하다.
• GeNVoM은 현재 NGS 데이터의 90% 이상를 차지하는 단일 서열(100–200bp)에 특별히 최적화되어 있어 실제 생물정보학 워크로드에 매우 관련성이 높다.