大规模MPI并行计算的可扩展三模冗余容错机制

被引：13

作者：

王之元

杨学军

周云

机构：

[1] 国防科学技术大学计算机学院

来源：

软件学报 | 2012年 / 23卷 / 04期

关键词：

容错机制; 可扩展性; 三模冗余; 大规模并行计算; MPI;

D O I：

暂无

中图分类号：

TP338.6 [并行计算机];

学科分类号：

摘要：

随着系统规模的扩大,并行计算的性能不断提高,但可靠性却也在不断下降,因此需要采用某种容错机制来容忍或恢复硬件故障和数据错误.目前常用的容错机制Checkpoint/Restart和多模冗余均引入了额外的开销,这些开销均在某种程度上制约了并行计算的可扩展性.因此,在高性能计算需求不断增长的今天,可扩展容错机制的设计显得尤为迫切和重要.以三模冗余(triple modular redundancy,简称TMR)为典型案例,描述了传统TMR在大规模MPI并行计算上的实现方法,分析了该机制所面临的实际问题,进而指出传统TMR制约了并行计算的扩展.根据该技术所面临的问题,设计了可扩展三模冗余(scalable triple modular redundancy,简称STMR),并进一步验证了其有效性和可扩展性.该机制不仅能够处理Checkpoint/Restart针对的fail-stop故障,还能够解决绝大部分硬件不能直接感知的数据错误.最后,借用BlueGene/L的系统参数进行模拟,预测当系统规模增大时,在分别采用TMR和STMR的情况下并行计算可扩展性的变化,结果进一步验证了STMR是可扩展的容错机制.

引用

页码：1022 / 1035

页数：14

共 3 条

[1] 三机冗余容错系统的描述和验证 [J].