[论文解读] A Non-volatile Near-Memory Read Mapping Accelerator

S. Karen Khatamifard, Zamshed I. Chowdhury+4 more|arXiv (Cornell University)|Sep 7, 2017

Algorithms and Data Compression参考文献 32被引用 9

一句话总结

本文提出 BioMAP，一种可扩展、能效更高的近内存加速器，用于 DNA 读段比对，从零开始重新思考算法与硬件协同设计。通过利用非易失性内存降低能耗和面积开销，BioMAP 相较于高度优化的 GPU 基准算法，实现了 4.0× 的更高吞吐量和 26.2× 的更低能耗。

ABSTRACT

DNA sequencing is the physical or biochemical process of identifying the location of the four bases (Adenine, Guanine, Cytosine, Thymine) in a DNA strand. As semiconductor technology revolutionized computing, DNA sequencing technology (termed Next Generation Sequencing, NGS) revolutionized genomic research. Modern NGS platforms can sequence hundreds of millions of short DNA fragments in parallel. The output short DNA fragments from NGS platforms are termed reads. Mapping each output read to a reference genome of the same species (i.e., read mapping) is a common critical first step in a rich and diverse set of emerging bioinformatics applications. The importance of read mapping motivated various sequence alignment and mapping algorithms, which start to fall short of tackling the growing scale of the problem. Mapping represents a search-heavy memory-intensive operation and barely requires complex floating point arithmetic, therefore, can greatly benefit from in- or near-memory processing, where non-volatile memory can accommodate the large memory footprint in an area and energy efficient manner. This paper introduces a scalable, energy-efficient high-throughput near (non-volatile) memory read mapping accelerator: BioMAP. Instead of optimizing an algorithm developed for general-purpose computers or GPUs, BioMAP rethinks the algorithm and accelerator design together from the ground up. Thereby BioMAP can improve the throughput of read mapping by 4.0 times while reducing the energy consumption by 26.2 times when compared to a highly-optimized algorithm for modern GPUs.

研究动机与目标

• 为应对下一代测序（NGS）工作负载中 DNA 读段比对日益增长的计算与内存需求。
• 克服现有 GPU 和 CPU 优化对齐算法在处理现代 NGS 数据规模与内存密集型特性方面的局限性。
• 设计一种硬件加速器，有效利用读段比对内存密集、计算轻量的特性，结合非易失性内存。
• 通过自底向上的协同设计算法与加速器栈，实现高吞吐量与高能效。

提出的方法

• BioMAP 使用非易失性内存（NVM）存储参考基因组和中间数据结构，减少对片外内存的访问与能耗。
• 加速器在 NVM 内部或附近执行读段比对，最大限度减少数据移动，并利用 NVM 的高密度与低静态功耗特性。
• 重新设计序列比对算法，使其对内存访问模式敏感，优化 NVM 中的空间与时间局部性。
• 采用类似脉动阵列的处理结构，专为读段比对中典型的稀疏、不规则内存访问模式而定制。
• 采用分层内存访问机制，优先处理频繁访问的参考基因组区域，减少空闲周期。

实验结果

研究问题

• RQ1 协同设计的加速器能否在读段比对任务中显著提升吞吐量并降低能耗，相比 GPU 优化算法？
• RQ2 如何有效利用非易失性内存，以降低读段比对工作负载中存储大型参考基因组的能耗与面积开销？
• RQ3 为适配近内存处理与 NVM 的内存访问特性，需要进行哪些算法修改？
• RQ4 在内存密集型生物信息学工作负载中，软硬件协同设计能在多大程度上提升性能与能效？

主要发现

• 与高度优化的 GPU 基准算法相比，BioMAP 实现了 4.0× 的更高吞吐量。
• 与同一 GPU 优化基线相比，该加速器将能耗降低了 26.2×。
• 使用非易失性内存显著减少了片外内存带宽与能耗开销。
• 协同设计的算法与硬件栈有效利用了数据局部性，并减少了处理单元的空闲周期。
• 该设计展现出适用于大规模基因组工作负载的可扩展性与能效优势。