4. 生物计算基础设施资源图谱
生物计算任务很少只依赖单一算力。一次典型的基因组分析，可能同时涉及 CPU 做序列比对与格式转换、GPU 做碱基识别或分子动力学模拟、FPGA 做特定比对加速、高速存储承载原始测序数据、网络在云与边缘之间搬运样本。资源治理的第一步，不是立刻调度，而是建立一张“资源图谱”：把每类资源的物理形态、能力边界、连接关系和可观测指标描述清楚，后续的配额、优先级、隔离与成本核算才有依据。
四类计算资源的定位差异
CPU 是通用控制与逻辑中枢，擅长分支密集、串行依赖强、I/O 与系统调用频繁的任务，例如 BWA 比对、SAM/BAM 处理、VCF 合并、流程编排。它的核心指标是物理核数、超线程、主频、NUMA 节点、缓存层级与内存带宽。GPU 是吞吐型加速器，适合规则、可并行、计算密度高的负载，如深度学习碱基识别、蛋白结构预测、分子对接打分。其关键参数是显存容量、显存带宽、SM 数量、FP16/FP32 算力以及卡间互联（NVLink/PCIe）。FPGA 是可重构逻辑，适合固定算法、低延迟、高能效的比对或过滤，例如将短读比对核心逻辑固化，但开发与部署成本高，通常只对少数高频算子值得投入。三者不是替代关系，而是按“控制—吞吐—定制”分工。
存储层级与数据流
生物数据体量大、访问模式差异明显，存储必须分层。常见层级为：本地 NVMe 暂存（热数据、中间文件）、并行文件系统（Lustre/GPFS，供多节点共享读写）、对象存储（S3 兼容，存放原始 FASTQ 与归档 BAM）、冷归档（磁带或低频对象存储）。治理要点是让数据尽量靠近算力：比对前把 FASTQ 从对象存储拉到本地 NVMe，比对产生的 BAM 写回并行文件系统，最终归档到对象存储。若把随机读写直接压在对象存储上，延迟会拖垮整条流水线。
网络与云边协同
网络决定资源能否被“组合”使用。节点内看 PCIe 代际与通道数，节点间看 InfiniBand/RoCE 带宽与延迟，跨域看专线或公网带宽。云边协同的典型形态是：测序仪在边缘产生数据，边缘节点做初步质控与碱基识别，压缩后经专线传到云端做大规模比对与群体分析，结果再回流到边缘供临床或实验人员查看。此时资源图谱必须标注每条链路的带宽、时延、计费方式和数据合规边界。
资源图谱的落地方式
把上述对象整理成可查询的图谱，通常需要一张资源清单表，字段包括资源 ID、类型、位置（边缘/云/机房）、规格、当前状态、可调度配额、关联存储与网络路径。下面给出一个可直接参考的示例片段，参数为教学假设值，实际部署时按真实硬件替换。
resource_id | type | location | spec | state | quota
cpu-01 | CPU | edge-A | 64C/128T, 2.4GHz, 512GB RAM | ready | 48C
gpu-01 | GPU | cloud-B | A100 80GB, NVLink, 8卡/节点 | ready | 4卡
fpga-01 | FPGA | edge-A | Xilinx U250, 64GB DDR4 | busy | 1卡
nvme-01 | NVMe | edge-A | 7.68TB, 读6GB/s, 写4GB/s | ready | 2TB
lustre-01 | 并行FS | cloud-B | 1PB, 聚合带宽 200GB/s | ready | 200TB
s3-01 | 对象 | cloud-B | 10PB, 标准+低频+归档 | ready | 按需
ib-01 | 网络 | cloud-B | InfiniBand HDR 200Gb/s | ready | 全量
wan-01 | 网络 | edge-A↔cloud-B | 专线 10Gb/s, RTT 8ms | ready | 6Gb/s
有了这张表，调度器才能回答“这个 GPU 任务应该放到 cloud-B 还是 edge-A”“FPGA 被占用时是否回退到 CPU”“跨域传输是否值得”。资源图谱不是静态文档，而应随节点上下线、配额变更、链路质量波动持续更新。建议至少每 30 秒刷新一次状态字段，并在图谱中保留最近 24 小时的利用率曲线，用于容量规划与异常回溯。
最后需要强调，资源图谱的价值在于“可解释”。当任务排队、失败或成本超支时，能够沿着图谱定位到具体资源、具体链路和具体指标，而不是笼统归因于“算力不足”。这也是后续资源配额、隔离、优先级与成本治理的共同基础。