GenStore: A High-Performance In-Storage Processing System for Genome Sequence Analysis

作者：Nika Mansouri Ghiasi等人, lead by Onur Mutlu

@ ETH Zurich(Switzerland)

本文指出了基因序列分析的性能瓶颈为存储设备的I/O，为了解决这一问题，通过在近数据端添加两个加速器实现对数据的筛选，实现了性能的大幅提升。

基因序列分析背景知识

端到端的基因序列分析

应用场景

药物开发、病毒溯源和进化研究

主要目的

识别样本基因组和已知基因组之间的可能匹配点和差异点。

基本步骤

1. 采样以及DNA样本测序：现代测序技术无法测序整个DNA，只能在这个DNA上随机采样一些短的子序列，并对他们进行测序。
2. 转换：将测序到的波形图转换成碱基对（A,G,C,T等基本组成单元）的表示，这些表示被称为read(译：待匹配序列)，以便存储和处理；

图1 DNA序列转换

From Research to Proof-of-Concept: Analysis of a Deployment of FPGAs on a Commercial Search Engine

作者：Maschi Fabio; Alonso Gustavo; Hock-Koon Anthony; Bondoux Nicolas; Roy Teddy; Boudia Mourad; Casalino Matteo

@ ETH Zurich

本文解决了如何以经济高效的方式将 FPGA 集成到实际应用场景中，并保持其在算法方面的性能优势。

FPGA在性能、架构、能耗等方面有很多优势，但是利用FPGA为现有的应用提供所有的优势并不简单。很少有研究来分析 FPGA 该如何部署、需要做什么改进才能使其在实践中具有成本效益，也很少有人分析在实际计算系统中应用 FPGA 的效率。

本文报告了将研究理念转化到实际场景后，对产生的性能和可能部署的估计成本进行了评估。

该论文解决了什么难点，难点存在的原因是什么，作者是如何发现这些难点的？

本论文主要报告了以下难点，并进行了讨论：

1. 模型的差异：需要将在学术上使用的简化模型转变成功能完备的组件，本文讨论了这些变化对整个系统设计的影响
2. 软件到硬件要考虑的选项：当一个设计模块从一个软件设计模块迁移到一个在 FPGA 上运行的组件时，有很多选项可以选择来将它集成到整体设计中。
3. FPGA的利用率：FPGA的性能的利用率可能比较低，导致整个系统的性能达不到峰值。
4. 成本问题：使用FPGA来部署云服务，系统的成本可能不降反升。本文对系统的成本进行了简单的估计和对比。

本文的背景：

Amadeus(一个提供路径规划解决方案的公司)需要为他们的航班搜索引擎(Flight Search Engine)提供加速。

• 航班搜索引擎（大问题背景）：给定一个查询（这里称为用户查询），查询中指定出发地、目的地和相应的日期，它会响应出发地和目的地之间的一些可能航班路线，航班路线中包含航班信息和价格。
• 功能模块（架构）

Behemoth: A Flash-centric Training Accelerator for Extreme-scale DNNs

作者：Shine Kim, Yunho Jin, Gina Sohn, Jonghyun Bae, Tae Jun Ham and Jae W. Lee

@ Seoul National University, Samsung Electronics

本文针对以自然语言处理领域模型为代表的超大规模深度神经网络(DNN)模型的训练问题，构建了一种以闪存为中心存储的训练加速器。

论文为什么要做这个事情？

DNN在自然语言处理、计算机视觉、推荐算法等应用领域有广泛的应用。而增加模型参数的数量对于提升模型的准确度起到至关重要的作用。自然处理领域中各种基于Transformer的模型，其网络中的参数数量达到了超大规模(Extreme-scale)的级别。例如，GPT-3模型的参数数量达到了1,750亿以上。不仅如此，DNN模型的参数规模仍然在继续扩展，如如图1所示：

GPTPU: Accelerating Applications using Edge Tensor Processing Units(SC 21′)

作者：Kuan-Chieh Hsu and Hung-Wei Tseng @University of California, Riverside

本文介绍了一种在Edge TPU上进行通用计算加速的开源框架。

论文为什么要做这个事情？

• 理论可行性：NN加速器理论上是一种张量处理器，因此对于任何以张量为输入、输出的应用都有潜在的加速效果；
• NN加速器的局限性：现有的商用NN加速器只向用户开放了AI或机器学习专用的调用接口，对通用领域没有相关设计；
• 框架的必要性：NN加速器几乎没有开放其硬件设计的细节，对于程序员来说，很难仅仅通过调用接口来加速通用的算法。因此，设计一个计算框架成为了提升可编程型的必要工作。

多年之前，GPU只是用来着色和渲染的工具，有CUDA和OpenCL之后，GPU凭借其大规模并行能力，面向了矢量计算领域。本工作和TPU的关系与CUDA与GPU的关系异曲同工。

Network Properties and Random Graph Model

I. Key Network Properties

Problem: How to measure a network?

Answer: Using Network Properties.

1. Degree Distribution P(k)

P(k) is the probability that a random chosen node has degree k.

is number of nodes with degree k. Thus.

Introduction to Graph Data

I. Concept of Graph

1. Origin of Graph problem

[Seven Bridges of Knigsberg, 1736] The problem is to devise a walk across each of the seven bridges once and only once to touch every part of the town, or this walk does not exist.

Solution: Seven Bridge Problem is to find the Euler Circuit in a graph. It is easier than finding a Hamilton Circuit.