基于異構(gòu)計算平臺的高性能生物數(shù)據(jù)壓縮算法研究.pdf

1、DNA基因測序技術(shù)和測序平臺在不斷地發(fā)展和進步，其低廉的測序成本和高速的檢測速度，給生物學(xué)和醫(yī)學(xué)領(lǐng)域的相關(guān)研究帶來了更大的輔助。然而，高速的檢測速度意味著產(chǎn)出的DNA基因數(shù)據(jù)規(guī)模龐大，如何在有限的存儲空間里存儲更多的DNA基因序列數(shù)據(jù)，成為了計算機領(lǐng)域科學(xué)家們需要解決的問題。
　　在數(shù)據(jù)壓縮的歷史中，對通用數(shù)據(jù)的處理要比對基因數(shù)據(jù)的處理早很多年。因此，生物學(xué)家們最開始利用通用數(shù)據(jù)壓縮軟件對DNA基因序列數(shù)據(jù)進行壓縮，但通用數(shù)據(jù)壓縮

2、軟件并沒有充分利用好DNA基因序列數(shù)據(jù)本身的特點，因此對于DNA基因序列數(shù)據(jù)進行壓縮還有很大的進步空間。
　　本文在充分調(diào)研DNA基因序列數(shù)據(jù)的基礎(chǔ)上，又對當(dāng)前經(jīng)典的基因數(shù)據(jù)專用壓縮算法進行了仔細(xì)的分析，選取可并行化的壓縮算法，最終在異構(gòu)計算平臺上進行壓縮效果提升的研究與實現(xiàn)。
　　有鑒于此，首先分析了DNA基因序列數(shù)據(jù)的特點與FASTQ存儲格式，并發(fā)現(xiàn)充分利用好DNA基因序列數(shù)據(jù)本身蘊含的生物學(xué)信息，深入挖掘DNA基因序列

3、數(shù)據(jù)存儲格式的規(guī)律，可以大大提高DNA基因序列數(shù)據(jù)的壓縮效果。
　　接下來，分別介紹了數(shù)據(jù)壓縮領(lǐng)域中的經(jīng)典數(shù)據(jù)壓縮算法，如靜態(tài)和自適應(yīng)Huffman編碼算法、算數(shù)編碼算法、LZ系列壓縮算法和游程編碼算法。正是這些基礎(chǔ)算法為數(shù)據(jù)壓縮的發(fā)展奠定了堅實的基礎(chǔ)。
　　為了比較DNA基因序列數(shù)據(jù)壓縮軟件與通用壓縮軟件在處理DNA基因序列數(shù)據(jù)孰優(yōu)孰劣，介紹了通用壓縮軟件和DNA基因序列數(shù)據(jù)專用壓縮軟件，并從壓縮比、壓縮時間和解壓縮時間三

4、個角度，對通用數(shù)據(jù)壓縮軟件和DNA基因序列數(shù)據(jù)專用壓縮軟件進行了多維度的性能測試比較，并對測試的結(jié)果進行了詳細(xì)的分析。
　　根據(jù)測試結(jié)果，在DNA基因序列數(shù)據(jù)專用壓縮軟件挑選了性能測試結(jié)果良好且可并行化的DSRC壓縮軟件，以此軟件為基礎(chǔ)在異構(gòu)計算平臺上實現(xiàn)了的DNA基因序列數(shù)據(jù)壓縮算法——DSRC_HYBRID。因此對DSRC壓縮軟件的算法、處理流程以及源代碼進行了詳細(xì)的分析與總結(jié)，并設(shè)計了DSRC_HYBRID算法工作流程以及工

5、作模式，根據(jù)測試得到的CPU和MIC數(shù)據(jù)處理能力以及VTune熱點函數(shù)測試結(jié)果，利用消息傳遞接口MPI，將數(shù)據(jù)科學(xué)地分載到CPU和MIC端，以此達到實現(xiàn)設(shè)備負(fù)載均衡的目的，利用鎖的思想來實現(xiàn)多線程的數(shù)據(jù)同步，實現(xiàn)了對等模式下的MIC和CPU工作模式。
　　通過利用MIC協(xié)處理器，使得DSRC算法在異構(gòu)計算平臺上保持壓縮比不變的前提下，壓縮時間上平均取得了17.956倍的加速比，在解壓縮時間上平均取得了15.203倍的加速比。因此可