[发明专利]一种针对成对隐马尔可夫模型的加速方法、系统及装置

说明书

本发明涉及基因分析技术领域，具体为一种针对成对隐马尔可夫模型的加速方法、系统及装置，装置包括：通用计算模块，用于拆分出成对隐马尔可夫模型的指令集中的特定指令，将特定指令发送给交互接口，并执行剩余内容；交互接口，用于传输特定指令，并对特定指令进行解码，将其转化为加速器阵列模块所需的信息；加速器阵列模块，用于指令并行接收，并根据所需的信息执行对成对隐马尔可夫模型的加速。本方案能计算匹配特征，降低交互损耗，提高计算效率。

技术领域

本发明涉及基因分析技术领域，具体为一种针对成对隐马尔可夫模型的加速方法、系统及装置。

背景技术

基因分析技术作为探索生命奥秘的重要手段，正成为生物信息学研究的重要分支，在物种鉴别、基因检测、疾病诊断等方面都有着广泛的应用。基因分析技术的飞速发展为精准医疗奠定了坚实的基础，也使得临床诊断前景更加光明。近年来，随着第二代测序技术的高速发展，测序成本的下降速率已经远远超过摩尔定律的下降速率，因此基因数据量也呈爆炸式增长，呈爆炸式增长的基因数据量对现有处理器的处理能力提出了新的挑战。成对隐马尔可夫模型(Pair-Hidden Markov Model，Pair-HMM)作为基因分析流程中必不可少且相当耗时的一个步骤，在基因分析的变异体检测流程中占据了大约70％的执行时间。成对隐马尔可夫模型的执行效率已经成为目前基因分析流程一个重要的性能瓶颈，在基因分析加速研究中占据着十分重要的地位。

现有的成对隐马尔可夫模型的实现和加速技术大致分为：面向CPU的并行加速、面向GPGPU(General-Purpose Computing on Graphics Processing Units，通用图形处理器)的异构加速、基于FPGA(Field Programmable Gate Array，现场可编程逻辑门阵列)的定制加速和基于ASIC(Application-Specific Integrated Circuit，专用集成电路)的定制加速四类：

1)CPU并行加速作为最常见的加速方法，特点是有成熟的编程工具支持，能够快速地实现。目前基因分析所使用的工具，如GATK、GKL均是这方面的成果。但是，基因数据分析的计算模式与传统CPU计算架构不匹配，在控制模式上，CPU依赖指令驱动的细粒度控制模式，但是基因分析流程为数据驱动的粗粒度控制模式；在数据模式上，CPU依赖数据的局部性来做分支预测等操作，这在随机访存的基因分析流程上并不适用；在并发模式上，CPU依赖多核提供了有限的并行度，但是在基因分析流程中常常需要提供和读对数量相当的并行度。

2)相对于CPU并行加速，GPGPU异构加速庞大的计算单元量解决了并行度的问题，但是GPGPU仍存在依靠细粒度的指令控制和依赖数据的局部性等问题。

3)FPGA定制加速通过定制相应的计算和控制逻辑，来实现和基因分析流程计算结构和计算特征上的匹配，但是基于LUT(Lookup Table，显示查找表)实现的定制逻辑，存在主频低和能效低等方面的问题，其相对于高主频的CPU并行加速和GPGPU异构加速往往无法取得良好的加速效果。

4)相对于上述三种技术，ASIC定制加速虽然可以做到计算结构和计算特征的匹配及高主频，但是PCIe(Peripheral Component Interconnect Express，高速串行计算机扩展总线标准)和SerDes(SERializer/DESerializer，串行器/解串器)等总线带宽远低于访存设备的带宽，使独立加速器和通用处理器之间交互损耗较高。

综上所述，ASIC定制加速相对于前三种加速技术优点更多，但是其也存在交互损耗较高的问题，因此现阶段基因分析中的成对隐马尔可夫模型急需一种能降低交互损耗的新型加速技术。

发明内容

本发明意在提供一种针对成对隐马尔可夫模型的加速方法、系统及装置，能够降低交互损耗。

本发明提供基础方案一：针对成对隐马尔可夫模型的加速装置，包括：通用计算模块、交互接口和加速器阵列模块；