20170127 JAWS HPC-UG#8

Run Drug-Discovery Workloads
In-database on AWS
The PG-Strom Project
KaiGai Kohei <kaigai@kaigai.gr.jp>

自己紹介
JAWS-UG HPC#8 / Run Drug-Discovery Workloads In-database, On AWS2
▌海外浩平 (KaiGai Kohei)
 tw: @kkaigai
 https://github.com/kaigai
▌PostgreSQL
 SELinux, Database Federation
(FDW, CustomScan), etc...
▌PG-Strom
 GPUを用いたPostgreSQL向け
高速化モジュールの作者

PG-Strom概要 – アーキテクチャ
Application
Storage
Query
Optimizer
Query
Executor
PG-Strom
Extension
SQL Parser
Storage Manager
GPU
No Storage
Changes
No Query
Changes
 機能
• SQLからGPUコードを自動生成。
• GPUによる非同期/超並列実行
• WHERE句、JOIN、GROUP BY、
Projectionに対応
 利点
• 数千演算コアを用いた透過的な
アクセラレーション
• 解析系ワークロードに対する
低コストのソリューション

GPUによるSQL実行高速化の一例
▌Test Query:
SELECT cat, count(*), avg(x)
FROM t0 NATURAL JOIN t1 [NATURAL JOIN t2 ...]
GROUP BY cat;
 t0 contains 100M rows, t1...t8 contains 100K rows (like a start schema)
40.44
62.79
79.82
100.50
119.51
144.55
201.12
248.95
9.96 9.93 9.96 9.99 10.02 10.03 9.98 10.00
0
50
100
150
200
250
300
2 3 4 5 6 7 8 9
QueryResponseTime[sec]
Number of joined tables
PG-Strom microbenchmark with JOIN/GROUP BY
PostgreSQL v9.5 PG-Strom v1.0
CPU: Xeon E5-2670v3
GPU: GTX1080
RAM: 384GB
OS: CentOS 7.2
DB: PostgreSQL 9.5 +
PG-Strom v1.0

失敗から学ぶ (1/2) – アルゴリズムをSQLで記述する
Apr-2016
問題①
そもそも SQL でアルゴリズムを
書く人って何人くらいいるのか？

失敗から学ぶ (2/2) – 性能上のアドバンテージ (?)
Apr-2016
問題②
性能アドバンテージが微妙。
SQL互換性に由来する非効率性や
行形式データのデータ密度。

解決策 – PL/CUDA + Array-Matrix
CREATE FUNCTION my_logic(matrix, matrix)
RETURNS vector
AS $$
$$ LANGUAGE ‘plcuda’;
ユーザ定義のCUDAコードブロック
Storage
GPU Kernel
ユーザ定義の
CUDAコードブロック
Post SQL Process
 Tables JOIN
 Window
Function
 ORDER BY
 GROUP BY
 etc....
関数の引数を
ロード
結果セットの
書き戻し
PL/CUDA
手動での最適化手段
ArrayType ヘッダ a1 a2 aN… b1 b2 bN… c1 c2 cN… d1 d2 dN…
𝑎1 ⋯ 𝑑1
⋮ ⋱ ⋮
𝑎 𝑁 ⋯ 𝑑 𝑁
4列N行行列
Array-Matrix
非NULLの2次元配列を“行列”と解釈

PL/CUDA関数定義の例
CREATE OR REPLACE FUNCTION
knn_gpu_similarity(int, int[], int[])
RETURNS float4[]
AS $$
#plcuda_begin
cl_int k = arg1.value;
MatrixType *Q = (MatrixType *) arg2.value;
MatrixType *D = (MatrixType *) arg3.value;
MatrixType *R = (MatrixType *) results;
:
nloops = (ARRAY_MATRIX_HEIGHT(Q) + (part_sz - k - 1)) / (part_sz - k);
for (loop=0; loop < nloops; loop++) {
/* 1. calculation of the similarity */
for (i = get_local_id(); i < part_sz * part_nums; i += get_local_size()) {
j = i % part_sz; /* index within partition */
/* index of database matrix (D) */
dindex = part_nums * get_global_index() + (i / part_sz);
/* index of query matrix (Q) */
qindex = loop * (part_sz - k) + (j - k);
values[i] = knn_similarity_compute(D, dindex, Q, qindex);
}
}
:
#plcuda_end
$$ LANGUAGE 'plcuda';
CUDA code block

The PG-Strom ProjectJAWS-UG HPC#8 / Run Drug-Discovery Workloads In-database, On AWS9
Case Study
創薬における類似度サーチ

背景 – 病気と候補化合物の関係
ターゲットの病気
関連するたんぱく質
化合物 (= 医薬品の候補)
ターゲットたんぱく質に “active” である化合物の探索
inactive active
active
(毒性あり)
学術論文

k-NN法による類似化合物サーチ (1/2)
データベース化合物群
(D; ~1000万件程度)
クエリ化合物群
(Q; ~1000件程度)
類似度による
サーチ
ターゲットたんぱく質
“似た特性の化合物”は
“active”である可能性も高いはず。
学術論文等から
ターゲットたんぱく質に
“active” である化合物
をピックアップ

k-NN法による類似化合物サーチ (2/2)
類似度 = 距離の定義
ID NAME Fingerprint (1024bit)
1 CHEMBL153534 000000000001000000100000000000000100000000000001000000...
2 CHEMBL405398 000000000000000100100000000000000000000000000000100000...
3 CHEMBL503634 000001000000000000000000001000000100000000000000000000...
: : :
化合物のデータ構造
Tanimoto Indexによる類似度の定義：
𝑆𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 𝐴, 𝐵 = 𝐴 𝐹𝑃 ∩ 𝐵 𝐹𝑃 𝐴 𝐹𝑃 ∪ 𝐵 𝐹𝑃

必要な計算量
データベース化合物群
(D; 10M件程度)
Q: クエリ化合物群
(~1000件程度)
上位3件の平均
𝑑𝑖 ∈ 𝐷
d 𝑄, 𝑑𝑖 : Q~di間の距離
𝑑𝑗 ∈ 𝐷
上位3件の平均
計算量の目安:
𝑂 𝑄 × 𝐷 + 𝑂 𝐷 × 𝑄𝑙𝑜𝑔𝑄
(距離計算) (ソート+平均値)
d 𝑄, 𝑑𝑗 : Q~dj間の距離

PL/CUDA関数の実装 (1/3)
Step-1
全てのQ×Dの論理的な組み合わせを、
複数のパーティションに分割。これらを
GPUの実行ユニットであるSMMに割り当て。
Step-2
各GPUコアがQ化合物群とd化合物間の
類似度スコアを算出。
L1キャッシュと同等のレイテンシでアクセス
可能な “共有メモリ” にこれを格納

Step-3
類似度スコアによる Bitonic-Sorting を実行。
ある d 化合物に対する q 化合物が、類似度
の順に並ぶことになる。
Step-5
類似度上位k件による平均値を
算出し、結果バッファに格納。
Step-4
Q化合物群のサイズが共有メモリよりも巨大な場合、
Step-2以降を繰り返し。

CREATE OR REPLACE FUNCTION
knn_gpu_similarity(int, -- k-value
int[], -- ID+bitmap of Q
int[]) -- ID+bitmap of D
RETURNS float4[] -- result: ID+similarity
AS $$
#plcuda_decl
:
#plcuda_begin
#plcuda_kernel_blocksz ¥
knn_gpu_similarity_main_block_size
#plcuda_num_threads ¥
knn_gpu_similarity_main_num_threads
#plcuda_shmem_blocksz 8192
cl_int k = arg1.value;
MatrixType *Q = (MatrixType *) arg2.value;
MatrixType *D = (MatrixType *) arg3.value;
MatrixType *R = (MatrixType *) results;
:
for (loop=0; loop < nloops; loop++)
{
/* 1. calculation of the similarity */
for (i = get_local_id();
i < part_sz * part_nums;
i += get_local_size()) {
j = i % part_sz; /* index within partition */
dindex = part_nums * get_global_index()
+ (i / part_sz);
qindex = loop * (part_sz - k) + (j - k);
if (dindex < ARRAY_MATRIX_HEIGHT(D) &&
qindex < ARRAY_MATRIX_HEIGHT(Q)) {
values[i] = knn_similarity_compute(D, dindex,
Q, qindex);
}
}
__syncthreads();
/* 2. sorting by the similarity for each partition */
knn_similarity_sorting(values, part_sz, part_nums);
__syncthreads();
:
}
#plcuda_end
#plcuda_sanity_check knn_gpu_similarity_sanity_check
#plcuda_working_bufsz 0
#plcuda_results_bufsz knn_gpu_similarity_results_bufsz
$$ LANGUAGE 'plcuda';
real[] -- ID+Similarity of D化合物 (2xN)
knn_gpu_similarity(int k, -- k-value
int[] Q, -- ID+Fingerprint of Q化合物 (33xM)
int[] D); -- ID+Fingerprint of D化合物 (33xN)

パフォーマンス
 CPU版は、同等のロジックをC言語によるバイナリ版で実装して比較計測
 D化合物群の数は1000万レコード、Q化合物群の数は10,50,100,500,1000個の5通り
 最大で100億通りの組合せを計算。これは実際の創薬ワークロードの規模と同等。
 HW) p2.xlargeインスタンス, 4vCPU, GPU: Tesla K80/2, RAM: 61GB
 SW) CentOS7, CUDA7.5, PostgreSQL v9.5 + PG-Strom v1.0
34.29
165.06
333.30
1723.91
3487.90
17.44 18.27 19.33 25.81 34.57
0
500
1000
1500
2000
2500
3000
3500
10 50 100 500 1000
SQLクエリ応答時間[sec]
(shorterisbetter)
クエリ化合物数
k-NN法による類似化合物サーチ SQL応答時間
CPU (???) GPU (Tesla K80/2)
x100 times
faster!

まとめ
▌なぜ In-database Analytics なのか？
 データのある場所で計算を行う
 前処理/後処理もSQLで楽々
でも、アルゴリズムの中核部分はとてもDBに捌ける計算量ではなかった
▌PL/CUDA
 CUDAを使ってSQL関数を実装するための機能
 PL/CUDA関数の引数や戻り値は、ランタイムが自動的に CPUGPU 間を
転送してくれる。
DBの弱点である “計算能力” を補完するための機能。
▌今後の展望
 関数の引数/戻り値として 1GB を越えるデータの受け渡しができない。
（PostgreSQL可変長データ形式の制限による）
最大4TBまで扱えるようにするため、可変長データ形式の拡張を議論中。
 “よく使う” 解析アルゴリズムのパッケージ化。
一緒に “検証やろうぜ！” って方、ぜひお声がけを！

20170127 JAWS HPC-UG#8

Recommended

More Related Content

What's hot (20)

Viewers also liked (20)

Similar to 20170127 JAWS HPC-UG#8 (20)

More from Kohei KaiGai (18)

20170127 JAWS HPC-UG#8