并行計算環(huán)境中基于檢查點的卷回恢復(fù)技術(shù)研究.pdf

1、應(yīng)用領(lǐng)域的拓展、應(yīng)用規(guī)模的擴大，對并行計算環(huán)境的可靠性提出了更高要求。特別是在長時間運行大規(guī)模并行科學(xué)計算程序時，如果缺乏必要的容錯手段，某個計算進程的一次故障或計算節(jié)點的失效可能致使整個程序的徹底失敗。而現(xiàn)有的多數(shù)并行計算環(huán)境本身都未提供從故障點自動恢復(fù)運行的功能，出現(xiàn)異常時將不得不手動重頭開始整個計算任務(wù)，從而浪費大量資源。
　　基于檢查點的卷回恢復(fù)技術(shù)是避免出錯時完全重新運行應(yīng)用程序的手段，能夠有效提高系統(tǒng)的容錯性能。但并行

2、計算程序中，多個計算進程的狀態(tài)之間因進行通信而具備耦合關(guān)系，這為檢查點的設(shè)置帶來極大挑戰(zhàn)。如何保證從檢查點恢復(fù)出程序正確運行時應(yīng)具有的狀態(tài)，同時盡量降低由于采用這一機制而引入的時間開銷是當前研究的熱點和難點。
　　論文首先比較了現(xiàn)有的合作式卷回恢復(fù)協(xié)議，并針對檢查點設(shè)置過程中的進程阻塞和同步消息數(shù)量這兩個影響時間開銷的核心問題，研究一種基于可行全局狀態(tài)的非阻塞合作式卷回恢復(fù)協(xié)議。該協(xié)議利用并行程序運行過程中發(fā)生異常的頻率較低而檢查

3、點設(shè)置頻率較高的特點，綜合采用附帶消息等非阻塞手段，將卷回恢復(fù)協(xié)議中所需的大部分調(diào)協(xié)和同步操作從檢查點設(shè)置階段轉(zhuǎn)移至卷回恢復(fù)階段，從而大幅度減少了基于檢查點的卷回恢復(fù)機制所帶來的時間開銷。
　　其次，在典型的并行程序開發(fā)環(huán)境 MPICH2中進程管理組件（Multi-Purpose Daemon，MPD）的基礎(chǔ)上，實現(xiàn)了錯誤探測與卷回恢復(fù)功能。其中，基于MPD自身的事件處理機制，添加相關(guān)功能模塊，以實現(xiàn)對計算節(jié)點和進程運行狀態(tài)的監(jiān)控