Dell EMC NFS 存储解决方案｜哥斯拉 vs. 金刚，谁赢了？

看过电影的小编表示，金刚被哥斯拉暴打...在第一次交手的时候，哥斯拉被一拳击中只是退了个踉跄，而金刚被打一拳直接倒在地上。到了第三次交手，金刚更是被打得奄奄一息...        

其实，这也不能怪金刚太弱，实在是对手太强了...“哥斯拉”的原型是生活在海洋岛屿上的一种蜥蜴，因为人类不加节制地进行核实验，引起了基因突变而变成了怪兽。它不仅有强悍的肉体，还有“原子吐息”这种BUG级别的魔法攻击。        

而金刚呢，说到底只是一只长得很大的的猩猩，虽然有人类一般的智慧，但在绝对实力面前，依然只有被碾压的份。        

这是不是也从侧面说明基因的重要性呢？        

说起基因，今年是第一版人类基因组序列图谱发布20周年。这20年里，基因测序技术的发展势如破竹，为生命科学的研究突破创造了不计其数的科学价值。
 

当前，基因测序在临床上的应用主要有两类，一类是针对普通人的疾病筛查，通过测定已知的与某种疾病相关的基因序列位点，来推断其未来罹患该种疾病的概率；另一类是针对癌症等致命性疾病的伴随诊断，通过测定某些特定的基因序列位点，在一系列的药物或治疗方案中找到针对特定患者最为有效的药物或方案。      

关于基因测序的流程，主要有以下几个步骤：        

测序数据分析流程（以全基因组分析为例）如下图：        

实验仪器测量数据处理和分析，首先通过实验仪器对生物分子进行测量，使用一些后处理软件对原始的大量数据进行处理和分析。然后对序列数据进行同源及相似性搜寻、比对、序列分析、遗传发育分析等。        

基因测序技术应用需要对海量、复杂、多变的数据进行分析计算，因此对高性能计算机的计算性能、内存容量、数据带宽等要求很高，同时还必须支持完善的基因测序分析工作流。        

在短短十几年间，基因测序技术已经形成了多个研究方向，其中与高性能计算相关的主要研究重点如下：    

序列比对（SequenceAlignment）的基本问题是比较两个或两个以上符号序列的相似性或不相似性。在序列对比的过程中，将会产生巨量的数据，这对我们的存储系统带来了较大规模的挑战，如下图：        

可以看出，现在用于存储的硬盘容量每14个月会有一倍的增长，而基因序列的数据量则每5月左右会翻一番。 

序列拼接是将测序生成的reads短片段拼接起来，恢复出原始的序列。该问题是序列分析的最基本任务，是基因组研究成功与失败的关键，拼接结果直接影响到序列标注，基因预测、基因组比较等后续任务。

基因组序列的拼接也是基因组研究必须解决的首要难题。其困难不仅来自它的海量数据(以人类基因组序列为例，从数量为10兆级的片断恢复出长度为亿级的原始序列)，而且源于它含有高度重复的序列。        

从计算机方面来讲，在拼接初期，会有大量的初始数据导入内存，然后对这些数据进行处理。因此，序列拼接对于计算机的内存量和计算能力都有非常大的需求。        

根据以上基因测序软件的普遍特点，戴尔科技给出了如下的集群配置建议：        

（1）基因比对、拼接等计算非浮点密集型计算应用，CPU利用率、idle%呈现规律性交替变化，并且程序起始阶段CPU利用率低，主要进行I/O处理，高主频可加快进度，双路节点配置建议选用戴尔科技新一代PowerEdge服务器平台，提供最苛刻工作负载和卓越性能。        

（2）内存带宽随CPU利用率交替变化并且峰值并不高，内存容量需求较大，基本上是输入序列大小的5-6倍，单节点搭配8条或16条32GB或64GB内存即可满足中小规模算例需求。

对于大规模的基因拼接、比对计算，内存容量建议配置在2TB以上，PowerEdge R940xs服务器最大可支持6TB内存（单根128GB*48根），可充分保障计算需求。

（3）网络压力较低，仅在读写I/O时涉及到较多网络传输，普通10G或25G以太网即可满足网络带宽需求，选择高速InfiniBand网络也会在一定程度上降低延迟，提升效率。

（4）存储读写压力适中，磁盘读写均呈现阶段性，小规模算例存储读写峰值带宽均在500MB/s以下，选用存储服务器PowerEdge 740xd或740xd2即可满足需求。

中规模算例如人体全基因组比对、拼接等，在程序初始阶段输入文件磁盘读取、计算结果磁盘写阶段对存储的带宽压力会比较大，此时建议选择Dell EMC NFS存储解决方案(NSS)，可提供5GB/s以上的带宽，更好地应对存储压力。