[论文解读] Read Mapping Near Non-Volatile Memory

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

Network Packet Processing and Optimization参考文献 44被引用 4

一句话总结

GeNVoM 提出了一种新颖、能效高且吞吐量高的读取比对加速器，利用阻性非易失性 TCAM 实现短 DNA 读取的可扩展相似性匹配。通过引入变异感知的感应放大器电压调谐机制和分层相似性匹配方法，其吞吐量最高比 GPU 基线提升 113.5×，能耗降低 210.9×，有效克服了 TCAM 在处理噪声和近似匹配方面的局限性。

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.

研究动机与目标

• 为应对下一代测序（NGS）中因数据量呈指数级增长而带来的短读取比对加速计算挑战。
• 克服传统 TCAM 在处理 NGS 数据中常见的噪声（如插入、缺失、替换）和近似匹配方面的局限性。
• 设计一种可扩展、能效高的加速器，利用近内存计算和非易失性 TCAM 实现高吞吐的相似性匹配。
• 通过解决其关键缺陷——高能耗和缺乏相似性匹配支持——实现 TCAM 基加速器在生物信息学中的实际部署。

提出的方法

• 提出一种用于阻性非易失性 TCAM 的新颖相似性匹配机制，可在不限制行大小的前提下实现近似匹配，利用变异感知的感应放大器电压调谐技术。
• 采用分层、多阶段的相似性匹配方法，逐步精炼匹配结果，提升准确性和可扩展性。
• 设计一种基因组数据表示方法，可在保持低存储复杂度的同时实现高效的相似性匹配。
• 应用针对相似性匹配机制定制的搜索空间剪枝技术，减少不必要的 TCAM 访问和能耗。
• 通过将匹配逻辑与短读取中占主导地位的噪声类型（如替换、插入和缺失）集成，优化加速器以处理这些噪声。
• 可适配任意阻性 CAM 阵列，包括最新的 45nm 自旋电子学和 90nm PCM 基设计，确保广泛的硬件兼容性。

实验结果

研究问题

• RQ1 尽管存在近似匹配处理能力弱和能耗高的固有局限，非易失性 TCAM 是否可有效用于高吞吐、低功耗的读取比对？
• RQ2 如何设计基于 TCAM 的加速器，在不牺牲可扩展性或面积效率的前提下，支持 NGS 引发的噪声（如替换、插入缺失）下的相似性匹配？
• RQ3 哪些新颖的数据表示与剪枝技术可有效最小化相似性匹配场景下的 TCAM 访问次数与能耗？
• RQ4 变异感知的感应放大器电压调谐机制在多大程度上可实现阻性 TCAM 的近似匹配，且无需限制行长度？
• RQ5 与最先进的 GPU 加速器相比，所提出的 GeNVoM 架构在短读取比对任务中的吞吐量和能效方面表现如何？

主要发现

• GeNVoM 在读取比对任务中，相比高度优化的 GPU 加速器，吞吐量最高提升 113.5×，能耗降低 210.9×。
• 所提出的变异感知感应放大器电压调谐机制可在不限制行大小的前提下，有效实现阻性非易失性 TCAM 的近似匹配，是实现可扩展性的关键因素。
• 分层相似性匹配机制通过在多阶段中逐步精炼匹配，既提升了比对准确性，又保持了高吞吐量。
• 搜索空间剪枝可减少不必要的 TCAM 访问，直接贡献于能耗降低和效率提升。
• 该方案与现有阻性 CAM 技术兼容，包括 45nm 自旋电子学和 90nm PCM 基 CAM 阵列，支持实际部署。
• GeNVoM 专门针对短读取（100–200 个碱基）进行了优化，此类读取占当前 NGS 数据的 90% 以上，因此与真实世界生物信息学工作负载高度相关。