挑战3：面对海量数据 存、管如何两不误？

    对生命科学计算而言，数据存储是关键，但不仅要满足海量数据的存取，还要方便对数据进行高效管理。生命科学研究所涉及的数据量极为庞大。以大熊猫为例，大熊猫共有21对染色体，基因组大小与人类相似约为30亿个碱基对，包含2-3万个基因。如果将大熊猫基因组序列写成一本书，其厚度相当于384米高的大厦。同时，基因数据库容量以每6-8月翻一番的速度增长，这一增长速度甚至超过了计算机运算能力的增长。

    对此，浪潮的建议是，推荐用户采用三级分层存储的方式，即一级的高速SAS或FC在线存储系统，二级的大容量SATA近线存储，这两级都采用集群存储方式，分别满足性能和容量的需求，三级的虚拟带库备份系统，避免数据丢失。

挑战4：系统规模大、作业任务多，如何智能管理？

    由于集群系统规模较大，加上软件众多，需要对系统、作业提供柔性、智能化的管理工具。胡松年谈到，现在北京基因组研究所的客户端数量很多，往往有几百个任务的并行请求，为避免塞车，需要对作业任务的优先级进行科学管理。

    刘军谈到，在集群管理和作业调度软件上，浪潮开发了TSMM2.0监控管理软件，可以实现系统管理、监控、报警等一系列智能化的功能，同时作业管理软件也已经成为大型高性能计算的重要组成部分，能够实现多用户、多作业的管理，包括资源管理、系统管理、作业管理、策略管理、记帐管理、应用软件管理等。

挑战5：软件、人才滞后 系统应用如何优化？

    由于在算法、算例、编译等方面的开发力量不足，加上缺乏既懂生命科学，又懂计算机的“双栖”人才，导致在生命科学领域，国内很大一部分应用使用的都是国外的软件，而且应用效率低下，科研进度缓慢。为了提高软件算法的效率，真正帮助用户用好HPC，往往需要厂商和用户单位联合进行应用开发，需要IT厂商的高性能计算工程师和生物专家进行长期、紧密的搭挡合作。

    比如中科院北京基因组研究所的BLAST软件原来已经无法承担数据高速增长带来的挑战，测序结果往往要两个星期才能出来，难以满足科研项目的要求。为此，浪潮和用户联手进行了向GPU+CPU混合并行计算平台的移植方案，经过两个月时间完成了核心算法加速，结果比传统CPU集群快上了30倍。

    刘军表示，虽然GPU并行计算目前还处于发展初期，软件编程比较麻烦，但其性能上几十倍、上百倍的提升对一些用户来说却是非常有吸引力的。而且，目前除了许多高校科研用户开始试用GPU计算之外，一些商业软件也开始对GPU进行优化，主要集中在军工、互联网、图像处理等领域。

    在性能调优方面，英特尔高性能计算高级工程师乔楠认为，根据投入产业比的规则，要按“系统级最先、应用级次之、微架构最后”的顺序进行。在系统级，可以对CPU、内存、IO、网络等硬件进行优化，比如至强5500有三大法宝：NUMA、SMT、Turbo，对VASP应用来说，NUMA开关一定要打开，Turbo打开也能提升性能，但SMT超线程必须关闭，打开反而会降低性能；在某些情况下，解决了网络IO问题，总体性能可能会有上百倍的提升；在应用级，比如解决了多线程死锁/同步问题，可能也会有十几倍的性能升；只有在进行了系统级和应用级调优之后，最后才建议考虑进行微架构的调优，通过使用英特尔的编译器、Vtune、数学库优化工具，一般可以实现几倍的性能提升。而且，系统规模越大，系统级和应用级优化的性能提升效果会比微架构更明显。