共计 3147 个字符，预计需要花费 8 分钟才能阅读完成。
摘要：本文整顿自阿里云弹性计算产品解决方案架构师马继雨（芦笋），在阿里云「云计算情报局」的分享。本篇内容次要分为四个局部：
- 生命科学行业综述
- 生命科学行业剖析
- 云超算解决方案
- 要害个性及计划劣势
01 生命科学行业综述
生命科学是钻研生命现象、揭示生命流动法则和生命实质的迷信。通常把服务于科学研究的企业所处的行业统称为迷信服务行业，把服务于生命科学钻研的企业所处的行业叫生命科学服务行业。生命科学技术是以分子遗传学为外围的先进科学技术。生命科学所要答复的首要问题就是“什么是生命”。
生命科学的次要畛域是医药、生物、银行、基因等相干的一些畛域。在市场中，非亲非故的客户群体也次要是医院、研发、科研等。
整个行业的产业链分为上、中、下三层。上游次要是设施的生产及软件研发，较量默飞，华大都是较为有名的上游厂商；中游次要是以服务商为主；上游是医疗机构、科研场合、制药公司等服务。
由此可见，上游把握着整个行业命根子。中游为面向终端用户的生命科学服务商为用户提供相应服务，从中收取服务费。上游则为服务使用者，其决定了中游服务细分赛道的市场容量、发展前景及业务模式特点。
以基因检测技术为例，二代基因测序是以后下基因检测最热门技术。次要为从血液或唾液中剖析测定基因全序列，预测罹患多种疾病的可能性。
基因测序相干产品和技术已由实验室钻研演变到临床应用，能够说基因测序技术是下一个扭转世界的技术，与 PCR 和 FISH 技术相比，具备高通量、数据量大的特点。基因测序技术的毛病是操作简单、对样本 DNA 浓度和纯度要求较高，且数据庞杂。
联合基因组学比拟典型的业务，全基因组测序。人类基因组打算（HGP）历经 13 年，在 2003 年实现，使得整个基因测序畛域产生了革命性的变动，随后很多政府赞助的大规模测序打算也陆续启动，如 1000 基因组打算、10K 打算等，极大推动了人类对基因变异、人类进化和基因疾病的钻研及发现。
在计算机科学生信畛域，基于 GATK 的全基因组测序流程则在古代基因测序中施展着至关重要的作用。
在典型的基因组测序业务中，波及应用软件数量繁多，且应用形式各异，也存在大量的串行化软件，典型的全基因组测序流程，有两个次要特色。
第一，执行工夫长，惯例流程及通用计算资源，一个人类基因组样本须要近 1000 核时进行解决。第二，数据量大，单个样本均匀能产生 1TB 的两头数据。
因而，联合集群调度器晋升并发效率、联合异构计划减速执行性能、基于容器部署不同业务镜像、存储的冷热数据备份，都已成为计算机生信畛域次要的剖析课题。
02 生命科学行业剖析
传统超算计划，次要通过线下超算集群或者自建的机房对接。目前，次要面临三个问题。
- 资源老化后保护艰难。用户资源老化过保后，资源复用及保护，须要投入大量的人力、财力。
- 业务的峰谷效应。因为资源无限，高峰期作业排队工夫长，低谷期资源使用率低。
- 已有集群无奈满足新增业务及技术创新的须要，可扩展性有余，洽购周期比拟长。
随着基因组的一直演进，计算科技的一直倒退，传统基因组测序曾经无奈满足现有的业务的倒退诉求。
对于传统的高性能计算业务流程，次要分为以下三个阶段，即业务前的解决，业务中的提交调度和执行，业务后的可视化剖析。
如右上角，作业提交至调度器。调度器做线下机器的调度散发，依据作业运行配置和以后资源状况，调度适宜的资源参加计算作业。
传统行业的计划有以下几个特点，扩展性不佳、性能瓶颈，治理保护难，新技术挑战。其中，较为显著的是性能瓶颈，顶峰算力有余，作业排队工夫长，重大影响业务。
在治理保护方面，投入老本较大，软件对立管控、平安保障、建设运维一体化的计划不够。
03 云超算解决方案
阿里云高性能计算产品 E-HPC 次要是软件服务，通过高性能计算业务习惯与云计算劣势相结合。大规模集群部署与推理，弹性的应用资源，工作流从前到后的保障，作业调度运行的治理，多客户的平安隔离，性能分析与调优。
HPC 作为基础设施，合乎高性能计算业务场景与可靠性的要求。计算、存储、网络，图形可视化，满足了用户极致的性能诉求，低延时的网络通信，大规模推送的并行文件系统。
在线性扩容方面，阿里云高性能产品联结生命科学行业三十多款利用，提供轻量级应用便当。对于征信行业，兼容泛滥市场支流征信软件，提供生命科学对立门户。
阿里云在 PaaS 层提供集群算力、弹性伸缩、多级缓存、商业治理、资源生命周期的治理服务。底层是阿里云平台算力资源，神龙虚拟化技术，用户能够抉择多种计算实例规格。
高性能计算公共云解决方案，通过全量上云，在云上搭建 E-HPC，提供资源调度、作业管理、弹性伸缩等能力。
高性能计算混合云解决方案分为两种。第一种，调度节点在线下机房，资源不够时向线上扩容新节点。利用场景以本地建设为主，云上为满足突发业务需要。有利于疾速满足突发需要，按需应用随时开释。
第二种，调度节点在 E-HPC 集群，同时治理线下已有计算节点。本地以有机房建设，但后续以云上建设为主。有利于利旧云下基础设施，逐渐过渡。
生命科学大计算解决方案的 CPU 内存提供 1:2，1:4，1:8 实例，同时提供高主频实例。下层是 E-HPC 的资源调度管控。
在大内存实例性能优化解决方案中，E-HPC 基于阿里云基础设施，为用户提供一站式公共云 HPC 服务，提供快捷、弹性、平安和与阿里云产品互通的技术计算云平台。HPC 弹性伸缩，将 MemVerge 节点主动纳管，业务顶峰扩容带有 Memverge 软件的 ECS，低谷时开释，节省成本。
HPC 作业调度带有 MemVerge 软件的大内存实例计算，在基因测序及 EDA 芯片设计场景，实现性能极致优化。
E-HPC+MemVerge 软件 +ECS i4p 实例一键装置部署，在 ECS 上主动部署 Memverge 软件，解决每弹一台 i4p 部署一次 Memverge 软件的手动部署的繁琐低效问题。
在制药 AI 解决方案中，有数据采集，荡涤标注，模型训练，模型部署与推理五个环节。阿里云 ECC1G-10G 的网络专线，解决采集数据上云。OSS 对象存储反对海量数据存储，数据散发 / 归档。NAS/CPFS 井行文件存储提供高吞吐、低时延，高达百 GB/s 吞吐和百万 IOPS，多种 I/O 模型，大文件小文件混合型 workload。
04 要害个性及计划劣势
E-HPC 的劣势在于，疾速创立云上的 HPC 集群。在云下，须要布局网络，软件初始化，账号解决。在云上，只须要半个小时，就能实现 HPC 集群的搭建。
HPC 利用的性能剖析，采纳逐层剖析、优化的办法。基于零碎及过程函数指令、微服务架构、HPC 利用，阿里提供各个层级的优化剖析。
E-HPC 主动伸缩反对跨数据中心，一个集群的计算资源能够在不同数据中心，满足大规模并行作业要求，计算资源的类型可依据 HPC 调度器队列灵便配置。
在数据全流程可视化中，作业前通过 web 页面或者 SSH，登录管控节点，进行操作。在作业运行中，能够通过性能剖析、过程剖析，做资源的监控和治理。在作业的最初，能够通过阿里云资源的云桌面，做可视化的数据处理剖析。
E-HPC 的劣势在于丰盛算力，主动伸缩反对跨数据中心，满足大规模并行作业要求。反对多规格异构算力，以及大内存型、高主频等规格 CPU 实例。
在老本方面，E-HPC 能够动态创建 / 删除计算节点，按理论负载弹性计费。灵便配置伸缩策略，反对抢占式实例，反对跨可用区伸缩，升高客户应用老本。
在运维方面，E-HPC 全面兼容 HPC 业务，主动多可用区集群搭建。提供作业运行性能剖析，别离基于集群、实例、过程等维度定位热点。在新技术创新中，E-HPC 提供生态 SaaS、PaaS 赋能，如 GPU、FPGA、倚天等新产品的加持。
丰盛算力、最优老本、极简运维、新技术赋能，E-HPC 全方位为生命科学行业助力，真正实现普惠增效。
点击这里，观看嘉宾的演讲视频回放。
