Carla Osthoff

Advances in High-Performance Computing (HPC) have enabled increasingly complex genomic analyses, including those in phylogenomics. These analyses contribute to understanding the evolution of viruses and pathogens, improving our knowledge of disease transmission, and supporting targeted public health strategies. However, due to the increasing number of tools and processing steps involved, executing these analyses manually, step by step, becomes error-prone and inefficient. To address this challenge, we present HP2NET, a robust framework for reproducible, efficient, and scalable phylogenetic network analysis. HP2NET integrates five workflows based on state-of-the-art tools such as PhyloNetworks and PhyloNet, allowing the analysis of multiple datasets and workflows in a single execution. The framework includes features such as task packaging and data reuse to improve performance and resource utilization in HPC environments. We perform a comprehensive performance evaluation of the software used within HP2NET, identifying bottlenecks and analyzing gains from parallel processing. Data reuse provided up to 15.35% time reduction, for a small dataset, in our experimental environment, while parallel execution of the five pipelines reduced total runtime by up to 90.96% compared to sequential runs. Finally, we validate HP2NET in a real-world case study by analyzing Dengue virus genomes, demonstrating its applicability value for large-scale phylogenetic analyses.

O consumo de energia em sistemas de Processamento de Alto Desempenho (PAD) tem se tornado um desafio cada vez mais relevante diante do aumento da demanda computacional e da execução de aplicações científicas em larga escala. Fatores relacionados à alocação de recursos, como a quantidade de nós (#N) e o número de threads por nó (#T), impactam diretamente tanto o tempo de execução quanto a eficiência energética, frequentemente avaliada por meio do Energy-Delay Product (EDP). Neste trabalho, propomos uma metodologia baseada no Extra Trees Regressor para recomendar configurações de #N e #T que minimizem o EDP em aplicações paralelas, sem a necessidade de executar a aplicação ou instrumentar seu código. Como estudo de caso, utilizamos a aplicação RAxML e comparamos nossa abordagem com outras quatro estratégias de alocação de recursos em um sistema PAD. Os resultados mostram que a metodologia alcança 81,25% de precisão em relação a melhor estratégia comparada (nosso Oráculo), gerando soluções que diferem, em média, apenas 6,02% do Oráculo e proporcionam uma melhoria de 33,35% no EDP em comparação com a segunda melhor estratégia.

O Alinhamento Múltiplo de Sequências (AMS) é uma etapa fundamental na biologia evolutiva molecular, com impacto direto na identificação de marcadores associados a doenças genéticas e infecciosas. A qualidade dos alinhamentos é determinante para a confiabilidade das interpretações biológicas. No entanto, algoritmos exatos para AMS enfrentam limitações quanto ao número de sequências que podem ser processadas, mesmo em ambientes de Processamento de Alto Desempenho (PAD), devido à natureza NP-difícil do problema. Assim, a prática usual envolve a seleção manual de subconjuntos reduzidos de sequências. Neste trabalho, propomos e avaliamos um workflow científico em PAD para AMS com algoritmos exatos, incorporando a seleção automática do subconjunto representativo de sequências, de modo a contornar as restrições das ferramentas disponíveis. Os experimentos, considerando implementações do workflow com PyCOMPSs e com scripts Shell, apresentaram ganhos de 2, 08× e 3, 95×, respectivamente, em relação à execução sequencial das tarefas. Em particular, a implementação com PyCOMPSs mostrou melhor escalabilidade, alcançando 80,8% de ganho no alinhamento de 38 sequências.

The increasing gap between compute and I/O speeds in high-performance computing (HPC) systems imposes the need for techniques to improve applications' I/O performance. Such techniques must rely on assumptions about I/O behavior in order to efficiently allocate I/O resources such as burst buffers, to schedule accesses to the shared parallel file system or to delay certain applications at the batch scheduler level to prevent contention, for instance. In this paper, we verify these common assumptions about I/O behavior, specifically about temporal behavior, using over 440,000 traces from real HPC systems. By combining traces from diverse systems, we characterize the behaviors observed in real HPC workloads. Among other findings, we show that I/O activity tends to last for a few seconds, and that periodic jobs are the minority, but responsible for a large portion of the I/O time. Furthermore, we make projections for the expected improvement yielded by popular approaches for I/O performance improvement. Our work provides valuable insights to everyone working to alleviate the I/O bottleneck in HPC.

O artigo apresenta uma análise do desempenho computacional da etapa de alinhamento mais custosa do workflow Parsl-RNA Seq, utilizando o perfilador Intel VTune no supercomputador Santos Dumont. O objetivo do trabalho é analisar o desempenho computacional do software Bowtie2, responsável pelo alinhamento de sequências que é a que mais demanda recursos computacionais. O Bowtie2 foi executado com suporte da biblioteca Parsl e monitorado pelo VTune, com o objetivo de avaliar sua eficácia e escalabilidade em ambientes de computação de alto desempenho.

Este trabalho apresenta um estudo de desempenho da aplicação de inferência bayesiana BEAST 1.10, acoplada à biblioteca de alto desempenho BEAGLE 3, em execuções realizadas nos nós do supercomputador Santos Dumont. Nos experimentos de filogenia, utilizamos dados genômicos do vírus da Dengue, sorotipo DENV-1, em formato XML. Analisamos a variabilidade do tamanho dos genomas, o chainLength e modelos evolutivos do BEAST 1.10, o número de threads e o ambiente computacional (CPU e GPU) do SDumont. Os resultados do estudo do desempenho do BEAST no BioInfo-Portal, possibilitam uma utilização mais eficiente dos recursos computacionais do SDumont, segundo os parâmetros alocados na submissão dos jobs.