Kỷ yếu Hội nghị Quốc gia lần thứ VIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 9-10/7/2015
DOI: 10.15625/vap.2015.000214
ỨNG DỤNG GIẢI THUẬT SONG SONG TRÊN HỆ THỐNG CPU-GPU
CHO BÀI TOÁN TÌM KIẾM MOTIF
Nguyễn Tấn An1, Trần Văn Lăng2, Nguyễn Gia Khoa3
1
Học viện Công nghệ Bưu chính Viễn thông.
2
Viện Cơ học và Tin học ứng dụng, Viện Hàn lâm Khoa học và Công nghệ Việt Nam.
3
Trường Cao đẳng Kinh tế - Kỹ thuật Thành phố Hồ Chí Minh.
nguyenan6391@gmail.com, langtv@vast.ac.vn, nguyengiakhoa@yahoo.com
TÓM TẮT - Bài toán tìm kiếm motif trên trình tự ADN là một bài toán phực tạp và mất nhiều thời gian để giải quyết. Đã có
rất nhiều thuật toán được đề xuất và giải quyết tốt cho bài toán này, nhưng về vấn đề thời gian vẫn là thách thức lớn. Bên cạnh đó,
hiện nay công nghệ tính toán song song trên GPU rất phổ biến, vì vậy thực hiện song song hóa bài toán tìm kiếm motif trên GPU sẽ
là giải pháp nhằm cải thiện vấn đề thời gian. CUDA và OpenCL là 2 công nghệ lập trình trên GPU phổ biến nhất hiện nay. Trong
bài báo này, chúng tôi tiến hành song song hóa thuật toán Pattern Branching tìm motif trên GPU bằng hai công nghệ CUDA và
OpenCL nhằm đánh giá so sánh hiệu suất giữa chúng.
Từ khóa - motif ADN, CUDA, OpenCL, song song, sinh tin học.
I. GIỚI THIỆU
Trong vài thập kỷ qua, với sự phát triển mạnh mẽ của công nghệ sinh học, một khối lượng lớn dữ liệu sinh học
phân tử (gene, protein, genome) đã được thu thập, lưu trữ và chia sẻ tại các ngân hàng dữ liệu thế giới như: GenBank,
EMBL, DDBJ, PDB… Trong đó bài toán tìm trình tự motif nhằm tìm ra các đoạn trình tự nucleotide hay amino acid
phổ biến trong các dãy trình tự DNA, RNA hay protein, bản thân motif đại diện cho chức năng, cấu trúc hoặc thành
viên trong họ, từ đó phân tích chúng góp phần xác định tính năng sinh học. Việc đi tìm những mẫu trình tự tương tự
hoặc so với những mẫu có sẵn để tìm ra tính năng sinh học của gene giúp ích rất nhiều cho việc nghiên cứu và đưa ra
phương pháp chữa trị và ngăn ngừa các căn bệnh nan y.
Đã có nhiều thuật toán được thiết kế để giải quyết bài toán này, mỗi thuật toán có những ưu khuyết điểm riêng
của nó. Nhìn chung, dựa vào phương pháp tiếp cận các thuật toán tìm kiếm motif được phân làm hai nhóm:
Nhóm phương pháp tiếp cận dựa trên không gian mẫu như Consensus, Gibbs sampling, MEME, các phương
pháp này thực hiện kiểm tra dựa trên một tập hợp mẫu cho trước từ đó xác định các vị trí xuất hiện trực tiếp của motif,
mặc dù phương pháp tiếp cận dựa trên không gian mẫu có nhiều sự lựa chọn mô hình thống kê phù hợp (Stormo and
Hartzell 1989; Lawrence et al. 1993; Bailey and Elkan 1994; Hughes et al. 2000; Workman and Stormo 2000; Thijs et
al. 2001) tuy nhiên nó vẫn phụ thuộc nhiều vào mô hình lựa chọn đầu tiên và yêu cầu phải chạy nhiều lần để tăng xác
suất tốt hơn cho thuật toán.
Nhóm phương pháp thứ hai tiếp cận dựa trên chuỗi mẫu như thuật toán Teiresias, MITRA, bằng cách sử dụng
một chuỗi trung tâm (trong ADN được biểu diễn bằng 4 kí tự alphabet) giả định như là một motif, phương pháp chuỗi
mẫu thực hiện tìm kiếm vét cạn trên tất cả tập 4 motif ứng viên cho một motif với chiều dài l và đảm bảo rằng motif
tối ưu được tìm thấy. Tuy nhiên các phương pháp này đòi hỏi rất nhiều thời gian và không gian tính toán.
GPGPU (General-purpose computing on Graphics processing units – tính toán chung trên bộ xử lý đồ họa) đã
hoàn thành nhiệm vụ tính toán mà ban đầu được thực hiện bởi CPU, với bộ xử lý đồ họa được thiết kế để phục vụ công
việc đồ họa đã thực hiện được các phép tính toán thông thường không liên quan đến xử lý đồ họa. Do cơ chế song song
cao của các GPU hiện đại và tinh giản lập trình, một bộ xử lý dòng (stream processor) có thể sử dụng để xử lý các công
việc khác đồ họa, chẳng hạn như giải phương trình vi phân. Đặc biệt, với mô hình SIMD (Single Instruction Multiple
Data – Đơn dòng lệnh đa dữ liệu), quá trình tổ chức và chuyển đổi dữ liệu sẽ tốn ít thời gian hơn giúp hiệu suất trên
GPGPU là tốt hơn nhiều so với các chương trình trên CPU truyền thống. Đây là công nghệ mới trong những năm gần
đây mặc dù GPU được trình bày trong nhiều năm, lập trình với các ngôn ngữ như C vẫn rất khó, các lập trình viên cảm
thấy khó khăn trong việc dịch các vấn đề toán học vào trong đồ họa. Năm 2006, khi NVIDIA phát hành CUDA giúp
cho việc lập trình dễ dàng hơn nhiều, GPGPU trở nên phổ biến.
Sự phát hành CUDA của NVIDIA đã làm nên các phần mềm GPU và các hệ thống phần cứng tính toán dữ liệu
song song trên thiết bị. CUDA không cần dùng giao diện lập trình ứng dụng đồ họa (API-application programming
interfaces) và có thể sử dụng một cách dễ dàng để xử lý, sử dụng ngôn ngữ C phát triển, do đó không cần phải học quá
nhiều cú pháp mới. Kiến trúc CUDA gồm phần cứng và phần mềm: phần cứng hỗ trợ công nghệ CUDA (từ dòng G80
trở về sau) và phần mềm bao gồm các trình điều khiển có liên quan, trình biên dịch nvcc,… Cả phần cứng và phần
mềm phải đáp ứng các yêu cầu để chạy công nghệ CUDA.
OpenCL (Open Computing Language) là một framework mới cho lập trình trên platform không đồng nhất.
Platform đó có thể bao gồm CPU, GPU và các thành phần khác của bộ vi xử lý giúp hỗ trợ tính toán. OpenCL được
xây dựng với ngôn ngữ dựa trên C99 cho hàm nhân (hàm chạy trên một thiết bị OpenCL) và một API dùng để định
ỨNG DỤNG GIẢI THUẬT SONG SONG TRÊN HỆ THỐNG CPU-GPU CHO BÀI TOÁN TÌM KIẾM MOTIF
738
nghĩa và điều khiển platform. OpenCL cũng tương tự như 2 tiêu chuẩn mở khác là Open Graphics Language (OpenGL)
và Open Algorithms Language (OpenAL). Hai tiêu chuẩn được sử dụng trong đồ họa 3D và âm thanh máy tính.
OpenCL là mở rộng năng lực của GPU do đó nó có thể dùng cho các công việc khác đồ họa. OpenCL được quản lí bởi
tổ chức phi lợi nhuận là Khronos Group. Đầu tiên nó được phát triển và mang nhãn hiệu của Apple và sau đó được
hoàn thiện bằng cách hợp tác với đội ngũ kỹ thuật từ AMD, IDM, Intel và NVIDIA. Sau đó, Apple đã đệ trình dự thảo
này qua cho Khronos Group. Bây giờ GPU của cả NVIDIA và AMD đều hỗ trợ OpenCL.
Thuật toán tìm motif đầu tiên được song song hóa dựa trên thuật toán MEME. Triển khai của CUDA-MEME
trên các GPU được trình bài trong [1], thuật toán MEME đã được song song hóa và chạy trên GPU cài đặt bằng công
nghệ CUDA. Dựa trên phân tích hiệu suất của chúng, tốc độ bình quân của CUDA-MEME tăng 20.5.
Thuật toán mCUDA-MEME [2] là một mở rộng của CUDA-MEME. CUDA-MEME chạy trên một máy tính
đơn với GPU, trong khi mCUDA-MEME chạy trên một cụm máy tính với GPU. Các CUDA-MEME sẽ trao đổi các
gói tin với nhau thông qua giao thức giữa các GPU.
Trong việc thực hiện CUDA-Gibbs sampling, người ta chọn giá trị
theo yêu cầu thay vì lựa chọn ngẫu
nhiên. Loại bỏ các yếu tố ngẫu nhiên làm giảm cơ hội tìm được motif tốt. Tuy nhiên, bù lại đó số lượng mẫu thử tăng
lên. Các chiến lược tối ưu hóa thuật toán bao gồm: cải thiện cách tính điểm PSSM và sắp xếp lại các tiến trình nhằm tối
thiểu SIMD (Single Instruction Multiple Data) phân kỳ. Bằng chiến lược này thực hiện trên CUDA, tốc độ thuật toán
cải thiện tốt hơn 10 lần [3].
Chương trình song song [4] trình bày một cách tiếp cận song song hiệu quả khác cho bài toán tìm kiếm motif
trên GPU sử dụng phương pháp BitBased. Thuật toán BitBased ban đầu được đề xuất cho CPU [5], nó đã giải quyết bài
toán tìm kiếm motif với l = 21 và số đột biến k = 8 trong 1,1 giờ.
Bài báo này thực hiện song song hóa thuật toán Pattern Branching, thuật toán được đề xuất bởi Pevzner và Sze
[6], thuật toán được cho là triển vọng so với tìm kiếm motif bằng phương pháp ngẫu nhiên hay phương pháp chọn mẫu
bằng xác suất, thuật toán được cài đặt bằng CUDA và OpenCL chạy trên GPU nhằm đánh giá hiệu suất giữa 2 công
nghệ này.
Các phần của bài báo như sau: phần 2 giới thiệu về bài toán tìm motif, phần 3 trình bày về thuật toán pattern
branching, công nghệ CUDA và OpenCL, đồng thời trình bày cách thức song song hóa thuật toán pattern branching
trên GPU. Kết quả đạt được sẽ được trình bày trong phần 4 và phần cuối cùng là kết luận.
II. BÀI TOÁN TÌM MOTIF
A. Định nghĩa motif
Motif là một trình tự nucleotide hay amino-acid có (hoặc có thể có) chức năng sinh học nào đó.
Bài toán tìm motif trên ADN có thể được định nghĩa như sau: Cho một tập trình tự ADN, tìm các chuỗi giống
nhau hay gần giống nhau (trường hợp một vài nucleotide bị đột biến) xuất hiện trên tất cả các trình tự.
Ví dụ cho 5 chuỗi trình tự như sau, trường hợp không có đột biến:
1.
cctgatagacgctatctggctatccacgtacgtaggtcctctgtgcgaatctatgcgtttccaaccat
2.
agtactggtgtacatttgatacgtacgtacaccggcaacctgaaacaaacgctcagaaccagaag
3.
aaacgtacgtgcaccctctttcttcgtggctctggccaacgagggctgatgtataagacgaaaattt
4.
agcctccgatgtaagtcatagctgtaactattacctgccacccctattacatcttacgtacgtataca
5.
ctgttatacaacgcgtcatggcggggtatgcgttttggtcgtcgtacgctcgatcgttaacgtacgtc
Chúng ta tìm được motif trong tập 5 trình tự trên là: acgtacgt.
Trường hợp với 2 đột biến, xem tập 5 trình tự như sau:
1.
cctgatagacgctatctggctatccaGgtAcgtaggtcctctgtgcgaatctatgcgtttccaaccat
2.
agtactggtgtacatttgatCcgTacgtacaccggcaacctgaaacaaacgctcagaaccagaag
3.
aaacGtaCgtgcaccctctttcttcgtggctctggccaacgagggctgatgtataagacgaaaattt
4.
agcctccgatgtaagtcatagctgtaactattacctgccacccctattacatcttacGTacgtataca
5.
ctgttatacaacgcgtcatggcggggtatgcgttttggtcgtcgtacgctcgatcgttaacgTacCtc
Chúng ta tìm được các motif như các trình tự nucleotide được in đậm ở trên.
Vấn đề tìm kiếm motif có những sự khó khăn như sau:
− Không biết được các mẫu của motif
Nguyễn Tấn An, Trần Văn Lăng, Nguyễn Gia Khoa
739
− Không biết được vị trí xuất hiện của motif trong trình tự.
− Các motif có thể khác nhau trong các trình tự.
B. Khoảng cách hamming và láng giềng của l-mer.
- Khoảng cách hamming
Một đoạn trình tự nucleotide ngắn với chiều là l kí hiệu là l-mer, khoảng cách hamming của 2 đoạn l-mer được
tính dựa trên số kí tự không khớp của 2 đoạn l-mer đó.
Ví dụ: d(ACGT, ATGT) = 1, ACGT khác ATGT tại nucleotide thứ 2.
Gọi S là tập các trình tự ADN gồm có n trình tự, khoảng cách hamming giữa một đoạn l-mer A với tập trình tự
S được tính như sau:
Bước 1: Tính khoảng cách hamming của đoạn l-mer A đó đến các trình tự Si
,
min
,
| ∈
1, … ,
Trong đó: P là biểu thị cho một đoạn l-mer trong Si.
Bước 2: Tính tổng khoảng cách của đoạn l-mer A đến mẫu S.
,
,
Khoảng cách hamming của đoạn l-mer đến tập trình tự S chính là điểm số để đánh giá đoạn l-mer nhằm tìm ra
đoạn motif tốt nhất.
- Láng giềng của l-mer
Láng giềng của một đoạn l-mer là tập l-mer B được định nghĩa bởi công thức sau
khoảng cách của các l-mer trong tập B đến l-mer A bằng 1.
, trong đó D là
Ví dụ: Cho l-mer A (TTG), tập láng giềng của A là:
ATG
CTG
GTG
TAG
TCG
TGG
TTA
- Láng giềng tốt nhất: M là là láng giềng tốt nhất của A,
TTC
∈
TTT
và
III. PHƯƠNG PHÁP
,
là nhỏ nhất.
A. Giải thuật Pattern Branching
Đặt một M là một motif – được xem như là một pattern có chiều dài l, và đặt A0 là một thể hiện của M trong
mẫu với chính xác k đột biến, gọi d là khoảng cách Hamming, ta có d(M,A0) = k, tức khoảng cách Hamming của
pattern M đến chuỗi A0 bằng k, ta nói ∈
0, D được định nghĩa như một tập hợp các chuỗi với khoảng cách
chính xác từ k đến A0. Thuật toán Pattern Braching sẽ định nghĩa một hàm BestNeighbor nhằm tìm đường đi từ chuỗi
0, theo cách đó thì một nucleotide bị thay đổi. Rồi từ láng giềng
A0 đến láng giềng tốt nhất A1 của nó trong tập
1. Cứ như vậy ta tiến hành tìm láng
tốt nhất A1 đó ta tiến hành xét đến pattern láng giềng tốt nhất A2 trong tập
giềng tốt cho nhất cho A0 khi đến k đột biến cho phép.
A0 → A1 → A2 → … → Ak.
Thuật toán:
Đầu vào:
Tập hợp các chuỗi trình tự S = {S1,S2,…,Sn}.
Chiều dài của motif là l.
Số lượng đột biến là k.
Đầu ra:
Motif có chiều dài l với k đột biến.
Thuật toán:
1.
PatternBranching(S, l, k)
2.
Motif ← arbitrary motif pattern
3.
For each l-mer A0 in S
ỨNG DỤNG GIẢI THUẬT SONG SONG TRÊN HỆ THỐNG CPU-GPU CHO BÀI TOÁN TÌM KIẾM MOTIF
740
4.
For j ← 0 to k
5.
{
6.
If d(Aj, S) < d(Motif, S)
7.
Motif ← Aj
8.
Aj+1 ← BestNeighbor(Aj)
9.
OutputMotif
10.
}
B. CUDA và OpenCL
CUDA và OpenCL cung cấp 2 giao diện khác nhau cho lập trình GPU NVIDIA. Cả 2 đều gọi một đoạn mã thực
thi trên GPU thông qua hàm nhân kernel. Tùy theo mỗi ngôn ngữ có sự khởi tạo, khai báo khác nhau. Sau đây là một
số định nghĩa tương đồng của 2 ngôn ngữ.
Sự tương đồng giữa các đơn vị tính toán và không gian bộ nhớ:
Bảng 1. Sự tương đồng giữa các đơn vị tính toán và không gian bộ nhớ
CUDA
OpenCL
thread
block
work-item
work-group
global memory
constant memory
shared memory
local memory
local memory
private memory
Cú pháp hàm nhân:
Bảng 2. Sự tương đồng các cú pháp hàm nhân
CUDA
OpenCL
__global__ (hàm)
__kernel
__device__ (hàm)
không cần khai báo
__constant__ (biến)
__constant
__device__ (biến)
__global
__shared__ (biến)
__local
_syncthreads()
barrier()
Sự khác nhau về một số API khởi tạo nền tảng, bộ nhớ:
Bảng 3. Một số API khởi tạo nền tảng, bộ nhớ
CUDA
OpenCL
Không có hàm tương đồng
cuModuleLoad()
Không có hàm tương đồng
clCreateCommandQueue()
clCreateProgramWithSource() or
clCreateProgramWithBinary()
clBuildProgram()
cuModuleGetFunction()
clCreateKernel()
cuMemAlloc()
clCreateBuffer()
cuMemcpyHosttoDevice()
clEnqueueWriteBuffer()
cuMemcpyDevicetoHost()
clEnqueueReadBuffer()
cuParamSeti()
clSetKernelArg()
Nguyễn Tấn An, Trần Văn Lăng, Nguyễn Gia Khoa
cuParamSetSize()
cuLaunchGrid()
cuMemFree()
741
Không có hàm tương đồng; hàm này là một phần trong
clSetKernelArg()
clEnqueueNDRangeKernel()
clReleaseMemObj()
Về cấu trúc của một chương trình:
Cấu trúc của một chương trình CUDA đơn giản hơn so với một chương trình OpenCL, do CUDA chỉ sử dụng
trên nền tảng các GPU NVIDIA hỗ trợ CUDA, trong khi OpenCL lại sử dụng đa nền tảng chính vì vậy quá trình khai
báo truy vấn thiết bị OpenCL tương đối phức tạp hơn là CUDA chỉ cần chọn GPU để truy vấn. Dưới đây là cấu trúc
chương trình giữa CUDA và OpenCL:
Bảng 4. Cấu trúc chương trình giữa CUDA và OpenCL
CUDA
OpenCL
1. Chọn GPU.
1.
Truy vấn các thiết bị OpenCL.
2. Cấp phát bộ nhớ trên GPU.
2.
Tạo context liên kết OpenCL và thiết bị.
3. Chuyển dữ liệu từ CPU vào GPU.
3.
Tạo program chứa mã nguồn.
4. Gọi hàm kernel để tính toán.
4.
Định nghĩa kernel để gọi thực thi program.
5. Chuyển dữ liệu từ GPU sang CPU.
5.
Tạo memory objects trên host hay device.
6. Lặp lại bước 3 đến 5 nếu cần.
6.
Sao chép dữ liệu vào device.
7. Giải phóng bộ nhớ.
7.
Cung cấp các đối số cho kernel.
8.
Đưa kernel vào hàng đợi để thực thi.
9.
Sao chép kết quả từ device về host.
10. Giải phóng vùng nhớ.
OpenCL là một chuẩn mở dùng cho cả GPU, CPU và các thiết bị khác còn CUDA chỉ dành cho lập trình song
song trên GPU NVIDIA, chính vì vậy OpenCL không thể hoàn toàn cung cấp đầy đủ các tính năng có thể sử dụng trên
GPU NVIDIA như CUDA, chẳng hạn: mã OpenCL trong hàm nhân không hỗ trợ hàm printf, điều này gây khó khăn
rất nhiều trong việc kiểm tra kết quả tính toán, OpenCL 1.2 trở lên mới hỗ trợ bộ nhớ texture 1D trên GPU NVIDIA,
bộ nhớ texture là bộ nhớ toàn cục chỉ đọc có khả năng truy xuất nhanh hơn so với bộ nhớ toàn cục global, trong khi
CUDA đã hỗ trợ bộ nhớ texture 1D, 2D và 3D.
C. Song song giải thuật Pattern Branching trên GPU
-
Tổ chức dữ liệu
Ở một hệ thống đa xử lý sẽ bị giới hạn bởi số lượng các thanh ghi, từ đó nếu một luồng sử dụng một số lượng
lớn thanh ghi thì số biến trong hoạt động trong cùng một khối sẽ ít hơn, giảm hiệu năng của GPU. Để cải thiện hiệu
năng GPU thì cần giảm số lượng thanh ghi sử dụng càng nhiều càng tốt. Với mỗi trình tự đầu vào có chiều dài L có
L-l+1 đoạn l-mer, nếu đoạn l-mer được biểu diễn bằng cách sử dụng mảng kí tự thì mỗi đoạn l-mer sẽ cần đến l byte bộ
nhớ, như vậy không gian bộ nhớ để lưu các đoạn l-mer này rất tốn kém, thay vào đó ta sử dụng mảng số nguyên integer
để biểu diễn 1 l-mer, như vậy chỉ mất 4 byte hoặc 8 byte cho 1 l-mer. Ví dụ , 4-mer CGGA có thể biểu diễn bằng cách
sử dụng 1 số nguyên, con số này sẽ được biểu diễn dưới dạng nhị phân là 01101000 (trong đó mỗi nucldeotide sẽ được
biểu diễn bằng 2 bit, A là 00, C là 01, G là 10 và T là 11), với cách biểu diễn này với đoạn l-mer có l ≤ 16 chỉ cần sử
dụng 4 byte số nguyên, l ≤ 32 chỉ cần dùng 8 byte số nguyên và với cách biểu diễn nhị phân này ta có thể tính khoảng
cách hamming giữa các đoạn l-mer dễ dàng bằng các phép tính bit. Do đó có thể chuyển mảng kí tự của chuỗi trình tự
đầu vào thành mảng số nguyên, mỗi số nguyên tại vị trí i sẽ biểu diễn đoạn l-mer tại vị trí i của chuỗi trình tự đầu vào.
Bằng cách chuyển sang mảng số nguyên như vậy, một luồng trên GPU chỉ cần đọc một con số nguyên thay vì đọc
l byte kí tự. Bằng cách đó chương trình sẽ giảm số lượng thanh ghi trong quá trình đọc ghi dữ liệu đầu vào. Các đoạn
l-mer đầu vào là dữ liệu không thay đổi trong quá trình xử lý thuật toán ta sử dụng bộ nhớ toàn cục của GPU để lưu
chúng.
-
Song song thuật toán
Với cách tổ chức dữ liệu như trên, với mỗi đoạn l-mer của một trình tự, sẽ đưa vào thực hiện thuật toán Pattern
Branching trên một luồng, các luồng sẽ thực hiện đồng thời sẽ là giải pháp song song hóa thuật toán Pattern Branching.
Quá trình xử lý của thuật toán trên hệ thống CPU kết hợp GPU như sau:
Input: Tập trình tự S có n trình tự, mỗi trình tự có chiều dài L, chiều dài motif l, số đột biến cho phép k.
ỨNG DỤNG GIẢI THUẬT SONG SONG TRÊN HỆ THỐNG CPU-GPU CHO BÀI TOÁN TÌM KIẾM MOTIF
742
Output: Motif M.
CPU: Khởi tạo tập tất cả các l-mer từ tập dữ liệu trình tự đầu vào cho GPU.
GPU:Với mỗi thread ∈ 0, 1, … ,
1
của các block ∈ 0, … ,
1
• Thực hiện thuật toán Pattern Banching với mỗi l-mer tương ứng với từng thread.
• Xuất motif M tương ứng với mỗi thread.
CPU: Tổng hợp tập các motif M từ các thread. Tìm motif M tốt nhất.
Sơ đồ song song hóa thuật toán Pattern Branching:
Bắt đầu
Tập hợp gồm S
trình tự
Phân chia tập hợp trình tự
cho n block xử lý
Tập hợp gồm
S/nblock
trình tự
Tập hợp gồm
S/nblock
trình tự
Tập hợp gồm
S/nblock
trình tự
Block 1
Block 2
Block n
Thread 1
Thread 1
...
Thread n
Thread 1
Thread 1
...
Thread n
Thread 1
Thread 1
...
Thread n
Pattern
Branching
(l-mer 1)
Pattern
Branching
(l-mer 2)
...
Pattern
Branching
(l-mer n)
Pattern
Branching
(l-mer 1)
Pattern
Branching
(l-mer 2)
...
Pattern
Branching
(l-mer n)
Pattern
Branching
(l-mer 1)
Pattern
Branching
(l-mer 2)
...
Pattern
Branching
(l-mer n)
Motif M1
Motif M2
...
Motif Mn
Motif M1
Motif M2
...
Motif Mn
Motif M1
Motif M2
...
Motif Mn
Tổng hợp tập Motif kết
quả M từ các tiến trình
Xuất tập motif kết quả
tốt nhất
Kết thúc
Hình 1. Sơ đồ song song hóa thuật toán Pattern Branching
IV. KẾT QUẢ THỰC NGHIỆM
Thuật toán Pattern Branching được cài đặc xử lý song song và tuần tự trên hệ thống CPU intel Core i5-4210U
1.7Ghz, 4GB Ram và GPU NVIDIA Geforce 820M. Chương trình xử lý song song được lập trình trên hai bộ công cụ
là CUDA và OpenCL để tiến hành so sánh hiệu suất của chúng. Chương trình sẽ sử dụng bộ dữ liệu từ [7] để tiến hành
đánh giá kết quả của thuật toán Pattern Branching xử lý song song và xử lý tuần tự. Các tập trình tự thử nghiệm gồm
20 trình tự với chiều dài mỗi trình tự là 600, đây là số lượng trình tự và chiều dài được đặt ra trong bài toán thách thức
tìm motif [8], chiều dài và số đột biến của các motif cần tìm khác nhau trong từng trường hợp. Sau đây là bảng kết quả
và thời gian thực thi thuật toán (không tính thời gian khởi tạo).
Nguyễn Tấn An, Trần Văn Lăng, Nguyễn Gia Khoa
743
Bảng 5. Bảng kết quả so sánh thời gian thực thi
Tập dữ
liệu
(l,k)
9.2.txt
(9,2)
12.3.txt
(12,3)
15.4.txt
(15,4)
17.6.txt
(17,6)
18.5.txt
(18,5)
19.6.txt
(19,6)
21.6.txt
(21,6)
23.7.txt
(23,7)
24.7.txt
(24,7)
27.8.txt
(27,8)
28.9.txt
(28,9)
29.8.txt
(29,8)
30.9.txt
(30,9)
Motif kết quả
GTTCAGCGT (1)
GTTCAGCGT (2)
GTTCAGCGT (3)
GTTCAGCGT (4)
CCTGCCAGAAAA (1)
CCTGCCAGAAAA (2)
CCTGCCAGAAAA (3)
CCTGCCAGAAAA (4)
ATCGAGCTTTGACAA (1)
ATCGAGCTTTGACAA (2)
ATCGAGCTTTGACAA (3)
ATCGAGCTTTGACAA (4)
ATTAGAGCGCACATTCT (1)
ATTAGAGCGCACATTCT (2)
ATTAGAGCGCACATTCT (3)
ATTAGAGCGCACATTCT (4)
TGTAAGAATTGTACCTTC (1)
TGTAAGAATTGTACCTTC (2)
TGTAAGAATTGTACCTTC (3)
TGTAAGAATTGTACCTTC (4)
TACATCAGCGGTGGATGTT (1)
CTACATCAGCGGTGGATGT (2)
CTACATCAGCGGTGGATGT (3)
CTACATCAGCGGTGGATGT (4)
GCGCGACGGACTTACGTCTTC (1)
GCGCGACGGACTTACGTCTTC (2)
GCGCGACGGACTTACGTCTTC (3)
GCGCGACGGACTTACGTCTTC (4)
TAATCGTGCTTTGTACCCCCGGA (1)
TAATCGTGCTTTGTACCCCCGGA (2)
TAATCGTGCTTTGTACCCCCGGA (3)
TAATCGTGCTTTGTACCCCCGGA (4)
AATTACTTTCCGATAAAGTGGATC (1)
AATTACTTTCCGATAAAGTGGATC (2)
AATTACTTTCCGATAAAGTGGATC (3)
AATTACTTTCCGATAAAGTGGATC (4)
ACAAAATTTACACCTGGGCTGTTCGCC (1)
ACAAAATTTACACCTGGGCTGTTCGCC (2)
ACAAAATTTACACCTGGGCTGTTCGCC (3)
ACAAAATTTACACCTGGGCTGTTCGCC (4)
TGCCCTGTGCTATCATTCATGTACAGCG (1)
TGCCCTGTCCTATCATTCATGTACGGCG (2)
TGCCCTGTCCTATCATTCATGTACGGCG (3)
TGCCCTGTCCTATCATTCATGTACGGCG (4)
AGCAGGCCTGTGCACGGGGATGAAGTCTC (1)
AGCAGGCCTGTGCACGGGGATGAAGTCTC (2)
AGCAGGCCTGTGCACGGGGATGAAGTCTC (3)
AGCAGGCCTGTGCACGGGGATGAAGTCTC (4)
CTGCCATTGGAAGGAGCATTCGCTGCTACT (1)
CTGCCATTGGAAGGAGCATTCGCTGCTACT (2)
CTGCCATTGGAAGGAGCATTCGCTGCTACT (3)
CTGCCATTGGAAGGAGCATTCGCTGCTACT (4)
Thời gian thực hiện thuật toán
Tuần tự
CUDA
OpenCL
CPU
19.11s
5.51s
2.49s
18.89s
5.13s
2.69s
24.22s
6.88s
4.18s
26.62s
8.87s
4.99s
30.41s
10.07s
5.84s
30.1s
9.08s
5.46s
36.32s
12.39s
7.9s
35.76s
12.69s
8.58s
41.11s
14.66s
10.21s
52.46s
17.41s
12.76s
41.78s
15.18s
11.98s
45.33s
16.69s
13.2s
52.28s
19.82s
15.54s
(1): Motif kết quả của tập data test.
(2): Motif kết quả của thuật toán Pattern Branching xử lý tuần tự.
(3): Motif kết quả của thuật toán Pattern Branching xử lý song song bằng CUDA.
(4): Motif kết quả của thuật toán Pattern Branching xử lý song song bằng OpenCL.
ỨNG DỤNG GIẢI THUẬT SONG SONG TRÊN HỆ THỐNG CPU-GPU CHO BÀI TOÁN TÌM KIẾM MOTIF
744
Bằng cách song song hóa thuật toán Pattern Branching xử lý trên GPU, thời gian chạy của thuật toán nhanh hơn
từ 2 đến 3 lần so với xử lý tuần tự trên CPU. Tuy nhiên nhìn chung tốc độ của thuật toán còn phụ thuộc vào số đột biến
của tập dữ liệu đầu vào và đoạn motif, ví dụ như ở 2 tập dữ liệu kiểm nghiệm là 27.8.txt và 28.9.txt, với tập dữ liệu
27.8 tuy có chiều dài l đầu vào là 27 ngắn hơn so với tập dữ liệu 28.9 có chiều dài l là 28 nhưng thời gian lại xử lý
chậm hơn, do ở tập dữ liệu 27.8 có số đoạn l-mer có chỉ số score tốt nhiều hơn nên thời gian tính toán của thuật toán
chậm hơn. Ngoài ra thuật toán vẫn chưa hoàn toàn chính xác 100% so với tập dữ liệu mẫu, trường hợp tập dữ liệu
19.6.txt, điểm số của đoạn motif thuật toán tìm được là 121 so với đoạn motif kết quả của tập dữ liệu kiểm tra có điểm
số là 125. Trường hợp với tập dữ liệu 28.9.txt, thuật toán tìm ra motif khác với motif mẫu tại 1 nucleotide do quá trình
tìm láng giềng sẽ chọn những nucleotide có điểm số tốt nhất, tuy nhiên trong trường hợp này lại có 2 nucleotide có
điểm số bằng nhau nên thuật toán chọn một trong hai loại nucleotide là láng giềng tốt nhất tiếp theo. Tuy nhiên xét về
số đột biến cho phép thì đoạn motif tìm được này vẫn đúng.
60
Thời gian (s)
50
40
30
CUDA
20
OpenCL
CPU
10
0
9.2 12.3 15.4 17.6 18.5 19.6 21.6 23.7 24.7 27.8 28.9 29.8 30.9
Chiều dài motif và số đột biến (l.k)
.
Hình 2. Biểu đồ so sánh thời gian thực thi
Về mặt thời gian thực thi giữa CUDA và OpenCL, OpenCL có thời gian thực thi nhanh hơn khoảng 3,4s so với
CUDA, mặc dù thời gian khởi tạo ban đầu cho các platform và bộ nhớ đệm của CUDA là nhanh hơn so với OpenCL
(Hình 3), do trong OpenCL, mã của hàm nhân được viết thành một mã riêng, trên đó khai báo toán bộ các biến cũng
như các định nghĩa ban đầu, vì vậy tất cả đều được chuyển vào thiết bị để thực thi, giảm thời gian truyền dữ liệu tự host
vào thiết bị, riêng CUDA, trình biên dịch nvcc cho phép người lập trình viết các đoạn mã dùng trên host và GPU chung
với nhau và trình biên dịch này sẽ tự tách riêng chúng khi biên dịch, chính vì vậy một số định nghĩa và biến khai báo
ban đầu được viết đơn giản hơn, tuy nhiên khi gọi hàm nhân nó lại tốn nhiều thời gian để lấy dữ liệu từ host.
1.2
Thời gian (s)
1
0.8
0.6
OpenCL
0.4
CUDA
0.2
0
9.2 12.3 15.4 17.6 18.5 19.6 21.6 23.7 24.7 27.8 28.9 29.8 30.9
Chiều dài motif và số đột biến (l,k)
Hình 3. Biểu đồ so sánh thời gian khởi tạo giữa CUDA và OpenCL
V. KẾT LUẬN
Bài báo này đã trình bày cách thức song song thuật toán Pattern Branching xử lý trên GPU bằng 2 công nghệ
OpenCL và CUDA. Thông qua kết quả trong bài báo, độ chính xác của thuật toán không thay đổi và với việc xử lý
song song trên hệ thống GPU đã cải thiện được vấn để thời gian hai đến ba lần so với xử lý tuần tự trên CPU, mặt khác
bài báo cũng cho thấy thời gian thực thi thuật toán này của OpenCL mang lại cho thuật toán này là nhanh hơn so với
CUDA.
Nguyễn Tấn An, Trần Văn Lăng, Nguyễn Gia Khoa
745
VI. TÀI LIỆU THAM KHẢO
[1] Y. Liu, B. Schmidt, W. Liu, D. Maskell, "CUDA-MEME: Accelerating Motif Discovery in Biological Sequences
Using CUDA-enabled Graphics Processing Units," Pattern Recognition Letters 31, 2170-2177, 2009.
[2] Yongchao Liu, Bertil S., Doulas L. M, "An ultrafast scalable many-core motif discovery algorithm for multiple
GPUs.," in 10th IEEE International Workshop on High Performance Computation Biology (HiCOMB 2011),
2011, pp. 428-434.
[3] Jhoirene Barasi Clemente, Finding planted (l,d)-Motifs in Parallel using RandomProjection on GPUs.
Department of Computer Science, University of the Philippines-Diliman, Mar. 2012.
[4] N. S. Dasari, Desh R., and Z. M, "Solving Planted Motif Problem on GPU," In Proceedings of the International
Workshop on GPUs and Scientic Applications (GPUScA 2010) , 2010.
[5] N. S. Dasari, Desh R., and Z. M, "An Ecient Multicore Implementation of Planted Motif Problem," In
Proceedings of the International Conference on High Performance Computing and Simulation, pp. 9-15, 2010.
[6] Alkes Price, Sriam Ramabhadran and Pavel A. Pevzner, "Finding subtle motifs by branching from sample
strings," Bioinformatics, vol. 19, no. Department of Computer Science and engineering, University of California
at San Diego, La Jolla, CA 92093-0114, USA, pp. ii149-55, 2003.
[7] Qiang Yu, Hongwei Huo, Yipu Zhang, Hongzhi Guo, "PairMotif. A New Pattern-Driven Algorithm for Planted
(l,d) DNA Motif Search ," Plos ONE 7(10): e48442. , 2012.
[8] P. Pevzner and S. H. Sze, "Combinatorial Approaches to Finding Subtle Signals in DNA Sequences," Proceeding
of 8th Int. Conf. Intelligent Systems for Molecular Biology (ISMB), 26978, 2000.
[9] Yasmeen Farouk, Tarek ElDeeb, Hossam Faheem, "Massively Parallelized DNA Motif Search on FPGA,"
Bioinformatics - Trends and Methodologies, pp. 107-120, 2011.
[10] Buhler J, Tompa M, "Finding motifs using Random projecions.," Journal of Computational Biology 9, pp. 225242, 2002.
[11] Trang Hong Son, Tran Van Lang, and Le Van Vinh, "Finding the motif from DNA Sequences using Grid
Computing System," International Journal of Computer Science and Telecommunications, vol. 4, no. 1, pp. 8-13,
January 2013.
[12] NVIDIA coporation, NVIDIA CUDA C programing guide, 32nd ed. CA, USA: Nvidia, 2011.
[13] Matthew Scarpino, OpenCL In Action: Manning Pulications Co, ISBN: 9781617290176, 2012.
IMPLEMENT PARALLEL ALGORITHM ON CPU-GPU SYSTEM TO
SOLVING FINDING MOTIF PROBLEM
Nguyen Tan An1, Tran Van Lang2, Nguyen Gia Khoa3
1
Post and Telecommunications Institute of Technology,
11 Nguyen Dinh Chieu, Dist. 3, HCMC, Vietnam
2
Institute of Applied Mechanics and Informatics, VAST,
1 Mac Dinh Chi, HCMC, Vietnam
3
Ho Chi Minh City Technical and Economic College
215 Nguyen Van Luong, Dist. 6, HCMC, Vietnam
ABSTRACT - The finding motif problem from DNA sequences is one of high complex problem and take a lot of time to resolve.
Many algorithms were proposed for well solving the problem but excution time is still a challenge. Beside, now parallel computing
on GPU is popular, so parallelizable approach to solve finding motif problem on GPU would be a solution to reduce time excution.
CUDA and OpenCL are the most popular programmings on GPU. In this paper, the parallelzation Pattern Branching algorithm is
implemented on GPU by OpenCL and CUDA to compare the performance of them.