一、独享升级活动介绍
•参与活动支付原来套餐半年的金额补差升级高性能计算节点，后续续费按照原套餐价格续费即可。
•现在参与活动的用户额外赠送5个月的时长，升级时间在支付完成14个工作日后，只需要停机1-2天。例如：基础版（6000/年）用户1月份到期支付3000，即可补差性能升级高性能节点且延长至6月份到期。（如果单位现在封账了，可以先报名预留名额。报名截止后续升级恢复原价）
•此活动结束后，用户购买高性能节点，需要按照新的价格购买。在我们活动期间升级服务器的用户，后续续费按照原套餐价格续费即可，活动名额有限，先到先到。
二、理解Elapsed Time、CPU Time、Wait Time
•Elapsed Time表示程序运行的持续时间，也就是我们实际感受到流失的时间。
•CPU Time，程序所占用的处理器时间，分为系统时间和用户时间：
￮User CPU Time指程序执行用户态代码所消耗的CPU时间
￮System CPU Time指程序在内核态消耗的CPU时间（执行系统调用等）。
•Wait Time是CPU花费在等待IO操作上的总时间（包含硬盘IO和网络IO）。
哪些地方可以看到这些时间？
查看CPU整体使用情况
通过top命令可以看到机器整体的CPU使用情况•结果解读
￮us：用户空间占用CPU百分比
￮sy：内核空间占用CPU百分比
￮ni：用户进程空间内改变过优先级的进程占用CPU百分比
￮id：空闲CPU百分比
￮wa：等待输入输出的CPU时间百分比
￮hi：硬中断占用CPU的百分比
￮si：软中断占用CPU的百分比
￮st：用于有虚拟CPU的情况，用来指示被虚拟机消耗的CPU时间
查看某个命令的CPU使用情况
•以下面这个代码片段为例子，其生成矩阵后对矩阵进行求逆和相乘运算，并使用R语言的system.time函数查看求逆和相乘的CPU使用情况，同时将结果存储到了日志文件中，然后在Linux终端使用time命令查看整个脚本执行的CPU使用情况。
Bashlibrary(logging)logReset()basicConfig(level = "INFO")# 设置输出日志到文件addHandler(writeToFile, file = "~/demo.log", level = "INFO")rm(list = ls())set.seed(123)# 设置矩阵的行数n <- 5000# 生成一个矩阵value <- rnorm(n * n, 10, 3)mat <- matrix(value, n, n)result1 <- system.time({# 矩阵求逆ainv <- solve(mat)})result1loginfo("求逆耗时 %s", result1)result2 <- system.time({# 矩阵相乘re <- mat %*% t(mat)})result2loginfo("相乘耗时 %s", result2)
三、本次服务器升级涉及的硬件
1.CPU：单个CPU性能提升约200%
2.内存：内存条性能提升约200%
3.系统平台：升级为新一代的系统平台以使用新一代CPU以及内存，提高整体稳定性
执行代码的时间对比
#下面的代码其逻辑为Seurat运算，涉及硬盘与内存数据的加载,#数据等运算，是一个生信场景较好的测试代码。（代码来源于：#https://mp.weixin.qq.com/s/uOqNUpD5vK8josMZStwunA）
Bashlibrary(logging)logReset()basicConfig(level='INFO')# 设置输出日志到文件，这里很关键addHandler(writeToFile, file="~/demo.log", level='INFO')serial_func <- function() {library(Seurat)iri <- readRDS("iri.intergrate.rds")iri[["percent.mt"]] <- PercentageFeatureSet(iri, pattern = "^MT-") # 通过线粒体的序列数来对数据进行计算head(iri@meta.data, 5) # QC的数据存在meta.data里，可以用这个来查看前5行VlnPlot(iri, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)# 用小提琴图来展示QC的结果，展示了每个barcode中基因的数目、UMI数目以及线粒体基因含量的分布情况plot1 <- FeatureScatter(iri, feature1 = "nCount_RNA", feature2 = "percent.mt")plot2 <- FeatureScatter(iri, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")CombinePlots(plots = list(plot1, plot2)) # 高变基因，判断趋势及占比# 质控，选子集，RNA数量在200与2500之间的，多的可能是低质量细胞或空drouplets，gene count多的可能是doublets or multipletsiri <- NormalizeData(iri, normalization.method = "LogNormalize", scale.factor = 10000)# 用LogNormalize法对数据进行标准化（乘10000再取对数）数据存在iri[["RNA"]]@data.里# 默认的方法也完成了log1p的操作，得到的结果就类似于TPM的对数iri <- FindVariableFeatures(iri, selection.method = "vst", nfeatures = 2000)# 筛选高变基因（输出2000个），用于下游的PCA及分群top10 <- head(VariableFeatures(iri), 10) # 输出差异最大的十个基因plot1 <- VariableFeaturePlot(iri)plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE)CombinePlots(plots = list(plot1, plot2)) # 输出差异基因散点图（有无标签）iri <- ScaleData(iri, features = rownames(iri)) # 将数据进行标准化，为后续的PCA分析做准备，数据存在iri[["RNA"]]@scale.data## for PCA DoHeatmap# iri <- ScaleData(iri)#only4VariableFeaturesiri <- ScaleData(iri, vars.to.regress = "percent.mt") # 剔除不想要的变量（如线粒体的比例）# iri[["RNA"]]@scale.datairi <- RunPCA(iri, features = VariableFeatures(object = iri)) # PCA降维分析print(iri[["pca"]], dims = 1:5, nfeatures = 5) # 打印PCA部分结果VizDimLoadings(iri, dims = 1:2, reduction = "pca")DimHeatmap(iri, dims = 1, cells = 500, balanced = TRUE) # 三种PCA展示方式DimHeatmap(iri, dims = 1:15, cells = 500, balanced = TRUE) # 展示15种PCA# 筛选合适的维度：iri <- JackStraw(iri, num.replicate = 100) # 重复计算次数iri <- ScoreJackStraw(iri, dims = 1:20) # 计算维度这一步花的时间比较久JackStrawPlot(iri, dims = 1:15) # 画出1到15个维度# JackStrawPlot相当于高级PCA，为挑选合适维度进行下游可视化提供依据ElbowPlot(iri) # 利用ElbowPlot来评价PC，PCA切记为了结果好看而降低PC数iri <- FindNeighbors(iri, dims = 1:10)iri <- FindClusters(iri, resolution = 0.5)# 细胞分群，resolution分辨率在细胞数在3000附近时一般设为0.4-1.2，resolution越大得到的类群越多head(Idents(iri), 5) # 看前五个分类群ID# 非线性降维方法：UMAP、tSNEiri <- RunUMAP(iri, dims = 1:10) # 运行UMAP算法# sce.all <- RunUMAP(sce.all, dims = 1:30, min.dist = 0.01, n.neighbors = 4L)# 可以调整亚群之间的距离iri <- RunTSNE(iri, dims = 1:10) # 运行TSNE算法，TSNE算法运行时间较UMAP更久DimPlot(iri, reduction = "umap", label = TRUE)iri.markers <- FindAllMarkers(iri, only.pos = TRUE, min.pct = 0.25, logfc.threshold = 0.25)return(iri.markers)}parallel_func <- function() {# #这里以四线程,128GB为例makecore <- function(workcore, memory) {if (!require(Seurat)) install.packages("Seurat")if (!require(future)) install.packages("future")plan("multisession", workers = workcore)options(future.globals.maxSize = memory * 1024 * 1024**2)}makecore(4, 128)library(Seurat)iri <- readRDS("~/iri.intergrate.rds")iri[["percent.mt"]] <- PercentageFeatureSet(iri, pattern = "^MT-") # 通过线粒体的序列数来对数据进行计算head(iri@meta.data, 5) # QC的数据存在meta.data里，可以用这个来查看前5行VlnPlot(iri, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)# 用小提琴图来展示QC的结果，展示了每个barcode中基因的数目、UMI数目以及线粒体基因含量的分布情况plot1 <- FeatureScatter(iri, feature1 = "nCount_RNA", feature2 = "percent.mt")plot2 <- FeatureScatter(iri, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")CombinePlots(plots = list(plot1, plot2)) # 高变基因，判断趋势及占比# 质控，选子集，RNA数量在200与2500之间的，多的可能是低质量细胞或空drouplets，gene count多的可能是doublets or multipletsiri <- NormalizeData(iri, normalization.method = "LogNormalize", scale.factor = 10000)# 用LogNormalize法对数据进行标准化（乘10000再取对数）数据存在iri[["RNA"]]@data.里# 默认的方法也完成了log1p的操作，得到的结果就类似于TPM的对数iri <- FindVariableFeatures(iri, selection.method = "vst", nfeatures = 2000)# 筛选高变基因（输出2000个），用于下游的PCA及分群top10 <- head(VariableFeatures(iri), 10) # 输出差异最大的十个基因plot1 <- VariableFeaturePlot(iri)plot2 <- LabelPoints(plot = plot1, points = top10, repel = TRUE)CombinePlots(plots = list(plot1, plot2)) # 输出差异基因散点图（有无标签）iri <- ScaleData(iri, features = rownames(iri)) # 将数据进行标准化，为后续的PCA分析做准备，数据存在iri[["RNA"]]@scale.data## for PCA DoHeatmap# iri <- ScaleData(iri)#only4VariableFeaturesiri <- ScaleData(iri, vars.to.regress = "percent.mt") # 剔除不想要的变量（如线粒体的比例）# iri[["RNA"]]@scale.datairi <- RunPCA(iri, features = VariableFeatures(object = iri)) # PCA降维分析print(iri[["pca"]], dims = 1:5, nfeatures = 5) # 打印PCA部分结果VizDimLoadings(iri, dims = 1:2, reduction = "pca")DimHeatmap(iri, dims = 1, cells = 500, balanced = TRUE) # 三种PCA展示方式DimHeatmap(iri, dims = 1:15, cells = 500, balanced = TRUE) # 展示15种PCA# 筛选合适的维度：iri <- JackStraw(iri, num.replicate = 100) # 重复计算次数iri <- ScoreJackStraw(iri, dims = 1:20) # 计算维度这一步花的时间比较久JackStrawPlot(iri, dims = 1:15) # 画出1到15个维度# JackStrawPlot相当于高级PCA，为挑选合适维度进行下游可视化提供依据ElbowPlot(iri) # 利用ElbowPlot来评价PC，PCA切记为了结果好看而降低PC数iri <- FindNeighbors(iri, dims = 1:10)iri <- FindClusters(iri, resolution = 0.5)# 细胞分群，resolution分辨率在细胞数在3000附近时一般设为0.4-1.2，resolution越大得到的类群越多head(Idents(iri), 5) # 看前五个分类群ID# 非线性降维方法：UMAP、tSNEiri <- RunUMAP(iri, dims = 1:10) # 运行UMAP算法# sce.all <- RunUMAP(sce.all, dims = 1:30, min.dist = 0.01, n.neighbors = 4L)# 可以调整亚群之间的距离iri <- RunTSNE(iri, dims = 1:10) # 运行TSNE算法，TSNE算法运行时间较UMAP更久DimPlot(iri, reduction = "umap", label = TRUE)iri.markers <- FindAllMarkers(iri, only.pos = TRUE, min.pct = 0.25, logfc.threshold = 0.25)return(iri.markers)}loginfo("单线程耗时 %s", system.time(serial_func()))loginfo("多线程耗时 %s", system.time(parallel_func()))
旧独独享节点：
新高性能独享节点类型1：
新高性能独享节点类型2：
•CPU使用情况统计（单位为秒）
•结果解读：使用高性能独享，运行测试代码，比旧独享速度提升近100%以上（9585.808秒与5307.248秒对比），同时如果利用好服务器多线程的能力，可以将速度提升200%以上（9585.808秒与3279.665秒对比），其性价比也比较高。
如何联系我们
已有生信基地联系方式的同学无需重复添加
