[논문]하둡 기반 대규모 작업처리 프레임워크에서의 Adaptive Parallel Computability 기술 연구

김직수

doi:10.5909/jbe.2019.24.6.1122

하둡 기반 대규모 작업처리 프레임워크에서의 Adaptive Parallel Computability 기술 연구
A Study on Adaptive Parallel Computability in Many-Task Computing on Hadoop Framework 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.24 no.6, 2019년, pp.1122 - 1133

김직수 (명지대학교 공과대학 컴퓨터공학과)

초록
AI-Helper

본 연구팀에서는 YARN 기반의 하둡 플랫폼에서 대규모의 태스크들로 구성된 Many-Task Computing(MTC) 응용들을 효율적으로 지원할 수 있는 신규 프레임워크로서 MOHA(Mtc On HAdoop)를 연구/개발해왔다. MTC 응용들은 수십만 개에서 수백만 개 이상의 대규모 태스크들로 구성되고 각 응용별로 자원의 사용 패턴이 다를 수 있기 때문에, 전체적인 시스템 성능 향상을 위해 MOHA-TaskExecutor(MTC 응용 태스크를 실행하는 주체)의 Adaptive Parallel Computability 기술 연구를 수행하였다. 이는 한 번에 하나의 태스크를 실행하던 기존의 처리 모델을 고도화하여 하나의 TaskExecutor가 동시에 여러 개의 태스크들을 실행함으로써 YARN Container의 병렬 컴퓨팅 능력을 극대화하기 위함이다. 이를 위해 각각의 TaskExecutor들이 "독립적이고, 동적으로" 동시에 실행시키는 MTC 응용 태스크들을 조정할 수 있도록 하였으며, 최적의 동시 실행 태스크 숫자를 찾기 위해서 Hill-Climbing 알고리즘을 활용하였다.

Abstract ▼ AI-Helper

We have designed and implemented a new data processing framework called MOHA(Mtc On HAdoop) which can effectively support Many-Task Computing(MTC) applications in a YARN-based Hadoop platform. MTC applications can be composed of a very large number of computational tasks ranging from hundreds of thousands to millions of tasks, and each MTC application may have different resource usage patterns. Therefore, we have implemented MOHA-TaskExecutor(a pilot-job that executes real MTC application tasks)'s Adaptive Parallel Computability which can adaptively execute multiple tasks simultaneously, in order to improve the parallel computability of a YARN container and the overall system throughput. We have implemented multi-threaded version of TaskExecutor which can "independently and dynamically" adjust the number of concurrently running tasks, and in order to find the optimal number of concurrent tasks, we have employed Hill-Climbing algorithm.

주제어

표/그림 (8)

그림 그림 1. MOHA 프레임워크 시스템 구조도 Fig. 1. MOHA Framework System Architecture
그림 그림 2 신약재창출 응용의 실행 구조 Fig. 2. Execution Structure of Drug Repositioning Application
그림 그림 3. Adaptive Parallel Computability를 위한 Hill-Climbing Algorithm Fig. 3. Hill-Climbing Algorithm for Adaptive Parallel Computability
그림 그림 4. TaskExecutor Adaptive Parallel Computability 기술 구현 Fig. 4. Implementation of TaskExecutor Adaptive Parallel Computability
그림 그림 5. Hill-Climbing 알고리즘에서의 시작 포인트 예측을 통한 오버헤드 감축 Fig. 5. Reducing the overhead by estimating the initial point of Hill-Climbing Algorithm
표 표 1. MOHA-Testbed 구성 내역 Table 1. MOHA-Testbed Configurations
그림 그림 6. MOHA-TaskExecutor Adaptive Parallel Computability 실험 Fig. 6. Experimental Results of MOHA-TaskExecutor‘s Adaptive Parallel Computability
그림 그림 7. Parallel Computability 측정 초기 실험 결과 Fig. 7. Initial Experimental Results of measuring Parallel Computability

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 AutoDock-Vina에 기반한 신약재창출응용을 대상으로 MTC 응용 실행 최적화를 위해 MOHATaskExecutor Adaptive Parallel Computability 기술 연구내용을 제시하였다. 이는 한 번에 하나의 태스크를 실행하던 기존의 처리 모델을 고도화하여 하나의 TaskExecutor가 동시에 여러 개의 태스크들을 실행함으로써 YARN Container의 병렬 컴퓨팅 능력을 극대화하기 위함이다.
본 논문에서는 이러한 신약재창출 응용을 활용하여, MTC응용 실행 최적화를 위한 MOHA-TaskExecutor(MTC 응용 태스크 실행 주체) Adaptive Parallel Computability 기술 연구를 수행하였다. 이는 대규모의 태스크들로 구성된MTC 응용 실행의 최적화를 위해 각각의 TaskExecutor들의 “Parallel Computability”(동시에 실행시키는 태스크의 수)를 동적으로 조정할 수 있는 기술을 의미한다.
본 연구팀에서는 MOHA-TaskExecutor Adaptive Parallel Computability 기술의 타당성을 1차적으로 검증하기 위해 서로 다른 H/W 사양으로 구성된 하둡 클러스터(표 1 MOHA-Testbed 참조)에서 일련의 실험들을 수행하였다. 실험 테스트베드로서 KISTI²⁾에 설치되어있는 총 6대의 노드들로 구성된 MOHA-Testbed를 활용하였다.
본 연구팀에서는 국가 거대과학 분야의 MTC 응용인 신약 재창출을 활용하여 MTC 응용 실행 최적화를 위한 MOHATaskExecutor Adaptive Parallel Computability 기술 연구를 수행하였다. 아래 신약재창출 응용의 실행 구조도(그림 2 참조)에서 볼 수 있듯이, 실제 MTC 과학 응용들은 다양한 형태의 입력 파라미터(Parameter)들을 가지게 된다.
이러한 신약재창출 응용을 활용하여 대규모의 태스크들로 구성된 MTC 응용 실행의 최적화를 위해 각각의MOHA-TaskExecutor들의 “Parallel Computability”를 동적으로 조정할 수 있는 기술에 대한 연구/개발을 수행하였다.

제안 방법

MOHA-TaskExecutor의 Adaptive Parallel Computability 기술 구현을 위해 그림 4와 같이 “Multi-threaded” 버전의MOHA-TaskExecutor를 개발하였고, 각각의 Thread는 하나의 MTC 응용 태스크와 매핑되게 함으로써 태스크 관리의 편이성을 구현하였다.
MOHA Manager에 의해 실행된 각각의 MOHA TaskExecutor들은 Kafka 클러스터에 생성되어 있는 MOHA 작업 큐로부터 태스크들을 가져와서 이를 해석하고 실행에 필요한 파일들을 다운로드함으로써 MTC 응용 실행 환경을 구성한다. MTC응용의 실행이 끝나고 나면 결과 파일들을 압축해서 HDFS에 업로드 한 이후 TaskExecutor는 종료하게 됨으로써 전체적인 MTC 응용 실행 워크플로우를 구현하였다.
각각의 MOHA-TaskExecutor에서 총 가용한 Thread들의 Pool을 생성해두고, 현재 설정된 동시 실행 태스크들의 숫자에 맞추어서 일부 Thread들은 sleep 상태로 들어가게 구현하였다.
이에 따라서 좀 더 다양한 형태의 MTC 응용들을 지원할 수 있도록 작업 제출 인터페이스를 개선하고 고도화하였다. 또한, Apache Kafka의 장점도 살려서 MTC 커뮤니티에서 중요하게 고려하는 고성능 태스크 배포 성능 측정 실험도 수행함으로써 MOHA를 단일한 형태의 작업 제출 인터페이스를 갖는 두 개의 프레임워크(MOHA-Kafka, MOHA-ActiveMQ)로 이원화하였다.
또한, 이러한 각 YARN Container에서의 Parallel Computability에 대한 기본 데이터를 수집하기 위해서 AutoDockVina 응용 태스크들을 활용하여 그림 7과 같은 실험을 수행해보았다.
본 연구팀은 이에 따라 각각의 MOHA-TaskExecutor들이 “독립적이고, 동적으로” 동시에 실행시키는 MTC 응용 들의 태스크들을 조정할 수 있도록 구현하였으며, 이러한 최적의 동시 실행 태스크 숫자를 찾기 위해서 그림 3과 같은 Hill-Climbing 알고리즘을 활용하였다.
실제 MTC 과학 응용의 적용을 준비하는 과정에서 주로 대규모의 태스크들로 구성된 신약개발 분야의 응용들의 분석을 수행하였다. 신약 개발 분야는 새로운 신약 후보군을 대규모의 도킹 시뮬레이션을 통해서 찾는 “Virtual Screening” (e.
1개의 약물(ligand)에 대해서 총 12,119종류의 단백질 구조(disease)로부터 얻어진 36,000여 개의 단백질 결합부위를 도킹 실험) 분야^[18]로 구분될 수 있다. 이 중에서 상대적으로 도킹 시뮬레이션 실행 시간이 짧은 신약재창출 분야를 주요 MTC 응용으로 선정하였다. 신약 재창출 시뮬레이션을 수행하기 위해서는 대규모의 도킹 연산(AutoDock Vina^[19]활용)이 필요하게 되며(예를 들어 기존에 알려진 95개의 약물에 대해 12,000여개의 단백질과의 교차 도킹 실험의 경우에도 110만 번 이상의 시뮬레이션 필요), 각 작업이 수십 초 정도 걸린다는 점에서 비교적 짧은 수행시간을 가지는 많은 양의 작업들을 고성능으로 처리해야하는 Many-Task Computing 성격을 지니고 있다.
만약 어떠한 MTC 응용이 실행 될 때에 되도록 최적의 태스크 병렬 숫자에 가깝도록 초기 값을 설정할 수 있다면 이와 같은 성능상의 오버헤드를 극복할 수 있을 것이다(그림 5 참조). 이를 위해 본 연구팀에서는 기존에 실행되었던MTC 응용들에 대한 다양한 데이터들(# of CPUs, Memory amount, I/O 등)을 수집하여 이를 프로파일링함으로써 초기 수행 속도를 향상시킬 수 있는 방법을 연구하고 있다.
이에 본 연구팀에서는 Kafka보다는 중앙 집중적인 아키텍처를 통해 전통적인 큐를 구현하고 있는 Apache ActiveMQ를 MOHA에 같이 적용하고, 이를 통해 신약재창출 응용 실행 시간의 단축과 전체적인 태스크들의 처리 로드를 효과적으로 분산시킬 수 있음을 확인하였다. 이에 따라서 좀 더 다양한 형태의 MTC 응용들을 지원할 수 있도록 작업 제출 인터페이스를 개선하고 고도화하였다. 또한, Apache Kafka의 장점도 살려서 MTC 커뮤니티에서 중요하게 고려하는 고성능 태스크 배포 성능 측정 실험도 수행함으로써 MOHA를 단일한 형태의 작업 제출 인터페이스를 갖는 두 개의 프레임워크(MOHA-Kafka, MOHA-ActiveMQ)로 이원화하였다.

대상 데이터

이러한 신약재창출 시뮬레이션을 수행하기 위해서는 대규모의 도킹 연산이 필요하게 되며(예를 들어 기존에 알려진 95개의 약물에 대해 12,000여개의 단백질과의 교차 도킹 실험의 경우에도 110만 번 이상의 시뮬레이션 필요), 각 작업이 수십 초 정도 걸린다는 점에서 비교적 짧은 수행시간을 가지는 많은 양의 작업들을 고성능으로 처리해야하는 Many-Task Computing 성격을 지니고 있다. 본 연구팀에서는 이러한 상대적으로 도킹 시뮬레이션 실행 시간이 짧은 신약재창출 분야를 시범 적용 대상으로 선정하였다. 이는AutoDock Vina 프로그램을 활용하여 이미 알려진 약물의 또 다른 파생 효과를 찾아내기 위해 1개의 약물(ligand)에 대해서 총 12,119 종류의 단백질 구조(disease)로부터 얻어진 36,000여 개의 단백질 결합부위를 도킹 시뮬레이션하는 다수의 태스크들로 구성된다.
본 연구팀에서는 MOHA-TaskExecutor Adaptive Parallel Computability 기술의 타당성을 1차적으로 검증하기 위해 서로 다른 H/W 사양으로 구성된 하둡 클러스터(표 1 MOHA-Testbed 참조)에서 일련의 실험들을 수행하였다. 실험 테스트베드로서 KISTI²⁾에 설치되어있는 총 6대의 노드들로 구성된 MOHA-Testbed를 활용하였다. MOHATestbed는 hdp01~hdp03에 이르는 3개의 노드들과, hdp04~06에 이르는 3대의 노드들의 집합들이 서로 다른 H/W 구성(특히 CPU 사양)을 가지고 있다.

이론/모형

따라서 각각의 MOHA-TaskExecutor들이 “독립적이고, 동적으로” 동시에 실행시키는 MTC 응용들의 태스크들을 조정할 수 있도록 하였으며, 최적의 동시 실행 태스크 숫자를 찾기 위해서 Hill-Climbing 알고리즘을 활용하였다.
이를 위해 각각의 TaskExecutor들이 “독립적이고, 동적으로” 동시에 실행시키는 MTC 응용들의 태스크들을 조정할 수 있도록 하였으며, 최적의 동시 실행 태스크 숫자를 찾기 위해서 HillClimbing 알고리즘을 활용하였다.
이에 기반하여 서로 하드웨어 사양이 다른 MOHATestbed의 hdp01, hdp04 노드들에서 아래와 같이 최적의 동시 실행 태스크들을 Hill-Climbing 알고리즘을 활용하여 찾는 실험을 수행하였다.

성능/효과

그림 7에서는 MOHA-Testbed에서 가용한 총 6개의 노드들(hdp01, hdp02, hdp03, hdp04, hdp05, hdp06)에서 각각 1개의 MOHA-TaskExecutor(YARN Container)들만 실행시키고, 병렬로 실행하는 AutoDock 도킹 태스크들의 숫자를 늘려가면서 성능을 측정한 결과를 보여주고 있다. 6개의 노드들에서 모두 일정 숫자 이상의 병렬 도킹 태스크들이 실행되게 되면 성능이 한계점에 도달하는 것을 알 수 있다. 또한, hdp01, hdp02, hdp03 노드들이 나머지 노드들인 hdp04, hdp05, hdp06 노드들보다 전체적인 처리 성능이 더 높게 나오는 것이 관측되었다.
이를 위해 각각의 TaskExecutor들이 “독립적이고, 동적으로” 동시에 실행시키는 MTC 응용들의 태스크들을 조정할 수 있도록 하였으며, 최적의 동시 실행 태스크 숫자를 찾기 위해서 HillClimbing 알고리즘을 활용하였다. AutoDock-Vina 응용 태스크들을 활용한 실험 결과, 각 실행 노드의 H/W 및 S/W 환경에 따라 각각의 TaskExecutor들이 독립적으로 최적의 동시 실행 태스크들의 숫자를 찾아갈 수 있음을 확인하였다. 향후 다양한 응용들에 기반한 실험들을 수행함으로써MOHA의 신규 기능인 Adaptive Parallel Computability 기술의 우수성을 보이고자 한다.
그림 6에서 볼 수 있듯이 동적으로 동시 실행하는MTC 응용 태스크들의 숫자를 조정할 수 있는 기능을MOHA- TaskExecutor에 구현함으로써 주어진 환경에 기반하여 최대 성능을 낼 수 있는 태스크들의 수를 찾아갈 수 있음을 확인하였다. hdp01 노드의 경우 hdp04 노드보다 하드웨어 사양이 높아서 좀 더 많은 수의 신약재창출 도킹 태스크들을 실행할 수 있음을 보여주고 있다.
하둡은 대용량 데이터를 분산 저장할 수 있는 파일시스템(HDFS:Hadoop Distributed File System)과 병렬 처리 프로그래밍모델(MapReduce)을 제공하고 있다. 데이터는 미리 정해진 크기(기본 64MB)의 블록 단위로 HDFS 노드들에 분산 저장되며 고가용성을 위해서 중복저장(기본 3개)하여 데이터 손실 가능성을 극복하고 안정성을 높이고 있다. 이렇게 분산 저장된 데이터 파일들의 위치 정보를 활용(Data Locality)하여 대규모 데이터 처리를 위한 MapReduce가 프로그래밍 모델 및 런타임 시스템으로서 활용되고 있다.
6개의 노드들에서 모두 일정 숫자 이상의 병렬 도킹 태스크들이 실행되게 되면 성능이 한계점에 도달하는 것을 알 수 있다. 또한, hdp01, hdp02, hdp03 노드들이 나머지 노드들인 hdp04, hdp05, hdp06 노드들보다 전체적인 처리 성능이 더 높게 나오는 것이 관측되었다. 이는 hdp01, hdp02,hdp03 노드들의 하드웨어 사양(특히 CPU)이 더 높기 때문에 나타나는 현상이다.
그런데, Kafka의 경우 정적인 메시지 파티셔닝으로 인한 실제 MTC 응용 태스크들을 수행 시에 전체적인 로드밸런싱에 문제가 발생함을 발견하였다. 이에 본 연구팀에서는 Kafka보다는 중앙 집중적인 아키텍처를 통해 전통적인 큐를 구현하고 있는 Apache ActiveMQ를 MOHA에 같이 적용하고, 이를 통해 신약재창출 응용 실행 시간의 단축과 전체적인 태스크들의 처리 로드를 효과적으로 분산시킬 수 있음을 확인하였다. 이에 따라서 좀 더 다양한 형태의 MTC 응용들을 지원할 수 있도록 작업 제출 인터페이스를 개선하고 고도화하였다.

후속연구

YARN은 클러스터 자원 관리와 어플리케이션 라이프 사이클 관리라는 두 가지 핵심 기능을 분리하고 새로운 추상화 레이어를 구성함으로써 다양한 데이터 처리어플리케이션들의 수용이 가능하게 하였다. 본 연구팀에서도 Many-Task Computing 응용을 하둡을 통해서 효율적으로 지원할 수 있는 MOHA 프레임워크를 연구/개발함으로써, 하둡 생태계 및 빅데이터 플랫폼의 확장에 기여할 수 있을 것이다.
를 연구/개발하고 있다. 이를 통해 멀티 응용 플랫폼으로 진화하고 있는 하둡 생태계에 신규 프레임워크로서 대규모 계산과학 응용을 지원할 수 있는 MOHA를 추가하고, 하둡 생태계 및 빅데이터 플랫폼의 확장에 기여할 수 있을 것이다.
이렇게 업로드된 HDFS URI 정보를 태스크에 명시함으로써 MOHATaskExecutor가 어떤 노드에서 실행되더라도 MTC 응용실행에 필요한 파일들을 HDFS로부터 다운로드 받을 수 있게 하였다. 향후 MOHA TaskExecutor 자체를 Container에 할당할 때에 실행에 필요한 파일들의 Data Locality를 고려해서 MOHA Manager가 YARN Resource Manager에게 Container 할당을 요청할 수 있게 함으로써 전체적인 수행 시간을 향상시키는 연구도 필요할 것이다. MOHA Manager에 의해 실행된 각각의 MOHA TaskExecutor들은 Kafka 클러스터에 생성되어 있는 MOHA 작업 큐로부터 태스크들을 가져와서 이를 해석하고 실행에 필요한 파일들을 다운로드함으로써 MTC 응용 실행 환경을 구성한다.
AutoDock-Vina 응용 태스크들을 활용한 실험 결과, 각 실행 노드의 H/W 및 S/W 환경에 따라 각각의 TaskExecutor들이 독립적으로 최적의 동시 실행 태스크들의 숫자를 찾아갈 수 있음을 확인하였다. 향후 다양한 응용들에 기반한 실험들을 수행함으로써MOHA의 신규 기능인 Adaptive Parallel Computability 기술의 우수성을 보이고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	하둡은 무엇을 통해 오픈소스로 개발되고 있는가?	하둡(Hadoop)[10]은 빅데이터 처리 플랫폼의 대명사로서 아파치 프로젝트를 통해 오픈소스로 개발되고 있다. 하둡은 대용량 데이터를 분산 저장할 수 있는 파일시스템(HDFS:Hadoop Distributed File System)과 병렬 처리 프로그래밍모델(MapReduce)을 제공하고 있다.
	Many-TaskComputing 응용의 특징은 무엇인가?	MTC 응용들은 주로 대규모의 작업 계산(수백만에서 수십억 개의 태스크), 상대적으로 짧은 작업 실행 시간(초/분 단위), 데이터 집적성(태스크 당 수십 MB 정도의 I/O), 상대적으로 큰 작업 수행 시간 편차, 그리고 파일을 통한 통신방식 등의 특징을 가지고 있다. 이는 대규모의 계산 작업들을 상대적으로 짧은 시간 안에 고성능으로 처리해야한다는 점에서 (# of operations/month)가 주요 성능 측정치인 HTC와 차별화되며, MPI에 기반한 통신 방식을 활용하는 HPC 응용들과도 차이점을 가지게 된다.
	하둡은 무엇을 제공하는가?	하둡(Hadoop)[10]은 빅데이터 처리 플랫폼의 대명사로서 아파치 프로젝트를 통해 오픈소스로 개발되고 있다. 하둡은 대용량 데이터를 분산 저장할 수 있는 파일시스템(HDFS:Hadoop Distributed File System)과 병렬 처리 프로그래밍모델(MapReduce)을 제공하고 있다. 데이터는 미리 정해진 크기(기본 64MB)의 블록 단위로 HDFS 노드들에 분산 저장되며 고가용성을 위해서 중복저장(기본 3개)하여 데이터 손실 가능성을 극복하고 안정성을 높이고 있다.

참고문헌 (22)

D. Thain, T. Tannenbaum, and M. Livny, "Distributed computing in practice: the Condor experience", Concurrency and Computation: Practice and Experience, Volume 17, Issue 2-4, pp. 323-356, February. 2005.

상세보기
B. Bode, D. M. Halstead, R. Kendall, Z. Lei, and D. Jackson, "The Portable Batch Scheduler and the Maui Scheduler on Linux Clusters", Proceedings of the Usenix, Proceedings of the 4th Annual Linux Showcase & Conference, Nov. 2000.
IBM Tivoli Workload Scheduler LoadLeveler, Available at http://www03.ibm.com/systems/software/loadleveler/
W. Gentzsch, "Sun Grid Engine: Towards Creating a Compute Power Grid", Proceedings of the 1st IEEE International Symposium on Cluster Computing and the Grid (CCGrid 2001), May 2001.
J. J. Dongarra, S. W. Otto, M. Snir, and D. Walker, "A message passing standard for MPP and workstations", Communications of the ACM, Volume 39, Issue 7, pp. 84-90, July 1996.

상세보기
I. Raicu, I. Foster and Y. Zhao, "Many-Task Computing for Grids and Supercomputers", Proceedings of the IEEE/ACM Workshop on Many-Task Computing on Grids and Supercomputers (MTAGS'08), 2008.
Workshop on Many-Task Computing on Clouds, Grids, and Supercomputers, http://datasys.cs.iit.edu/events/MTAGS16/
I. Raicu, Y. Zhao, C. Dumitrescu, I. Foster, and M. Wilde, "Falkon: a Fast and Light-weight tasK executiON framework," Proceedings of the 2007 ACM/IEEE conference on Supercomputing (SC'07), Nov. 2007.
Ioan Raicu et al., "Middleware Support for Many-Task Computing", Cluster Computing, Volume 13 Issue 3, September 2010.

상세보기
Apache Hadoop: https://hadoop.apache.org/
Vinod Kumar Vavilapalli et. al., "Apache Hadoop YARN: yet another resource negotiator", Proceedings of the 4th annual Symposium on Cloud Computing (SOCC'13), October 2013.
Arun C. Murthy et. al., "Apache Hadoop YARN: Moving beyond MapReduce and Batch Processing with Apache Hadoop 2", Addison-Wesley, 2014.
Lu, X., Liang, F., Wang, B., Zha, L., Xu, Z., "DataMPI: extending MPI to Hadoop-like big data computing", Proceedings of the 28th IEEE International Parallel and Distributed Processing Symposium (IPDPS '14), May 2014.
Xu, L., Li, M., Butt, A.R., "GERBIL: MPI+YARN", Proceedings of the 15th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGrid), May 2015.
Ye, J., Chow, J.H., Chen, J., Zheng, Z., "Stochastic gradient boosted distributed decision trees", Proceedings of the 18th ACM conference on Information and knowledge management (CIKM'09), Nov. 2009.
Kim, J.S., Nguyen, C., Hwang, S., "MOHA: many-task computing meets the big data platform", Proceedings of the IEEE 12th International Conference on eScience (eScience 2016), Oct. 2016.
J. Lee, J-W. Choi, J. Shin, K-T. No, "Trends in Computer Aided Drug Discovery, Next Generation", COMMUNICATIONS OF THE KOREA INFORMATION SCIENCE SOCIETY, Vol. 31, No. 8, pp. 35-54, 2013.
Ashburn, T.T., Thor, K.B., " Drug repositioning: identifying and developing new uses for existing drugs", Nature Reviews Drug Discovery, Volume 3, Issue 8, pp. 673-683, 2004.

상세보기
AutoDock Vina: molecular docking and virtual screening program: Available at http://vina.scripps.edu/
J. Kreps, N. Narkhede, and J. Rao. "Kafka: A distributed messaging system for log processing", Proceedings of NetDB'11, June 2011.
Apache Kafka: https://kafka.apache.org/
Apache ActiveMQ: http://activemq.apache.org/

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증