面向CFD并行應用框架的容錯技術(shù)研究.pdf

1、器件工藝的發(fā)展和并行規(guī)模的不斷擴大，使得高性能計算機性能不斷得到提升，但也帶來編程墻和可靠性墻的嚴峻挑戰(zhàn)，嚴重制約了高性能計算機應用的發(fā)展。對于編程墻問題，研究者們提出了面向領(lǐng)域的并行應用框架，實現(xiàn)了各學科專家在并行領(lǐng)域應用開發(fā)過程中的解耦，大幅度提高了并行領(lǐng)域應用的開發(fā)效率。而可靠性問題也一直是并行應用研究的熱點問題，已有眾多相關(guān)容錯理論研究，但都不夠透徹。傳統(tǒng)基于硬件的容錯方法面臨著容錯代價大、缺乏靈活性等諸多問題；而在實現(xiàn)層面上，

2、系統(tǒng)級容錯雖然面向用戶透明，但存在著開銷過大的問題；應用級容錯雖然一定程度上緩解了容錯開銷問題，卻使得用戶負擔加重。
　　本文首次對面向CFD(Computational Fluid Dynamics)并行應用框架的容錯方法展開研究。應用框架下容錯能夠在實現(xiàn)向上層用戶透明的同時，保持應用級容錯方法的低開銷優(yōu)點。并且在CFD并行應用框架內(nèi)，能夠?qū)⑷蒎e設計和實現(xiàn)與CFD并行應用特點進行有效結(jié)合，獲得更為高效的容錯優(yōu)化方法。因此，研究C

3、FD并行應用框架下的容錯技術(shù)對促進CFD并行應用發(fā)展有著重要意義。
　　本文在現(xiàn)有CFD并行應用軟件框架的基礎(chǔ)上，研究了面向CFD并行應用軟件框架的容錯技術(shù)。我們設計和構(gòu)建了框架內(nèi)的軟件容錯架構(gòu)，針對錯誤檢測和錯誤恢復這兩個容錯關(guān)鍵問題提出了一系列容錯方法和優(yōu)化技術(shù)。本文的主要工作和創(chuàng)新點體現(xiàn)在：
　　1.以狀態(tài)變遷圖STG為基礎(chǔ)，建立并行程序和CFD并行應用中的錯誤傳播模型(第二章)
　　硬件故障在并行程序中的傳播行

4、為是研究面向硬件故障的軟件容錯技術(shù)基礎(chǔ)，而對并行程序的抽象建模又是故障傳播行為研究的基礎(chǔ)。本文首先提出了基于程序狀態(tài)跟蹤的狀態(tài)變遷圖理論，在狀態(tài)變遷圖理論中，對沖突、因果、并發(fā)關(guān)系進行了抽象，同時也支持系統(tǒng)間的交互抽象和行為抽象?；跔顟B(tài)變遷圖STG理論，我們對故障在并行程序中的傳播行為進行了分析，包括原生錯誤、數(shù)據(jù)流生錯誤和控制流生錯誤以及通信引起的傳播錯誤等，并分別給出了錯誤傳播方程及相關(guān)求解算法。
　　同時，本文還從CFD并

5、行應用的連續(xù)模型和離散模型出發(fā)，對他們的核心計算過程和特征進行了分析，得到連續(xù)CFD模型下以差分操作為核心的計算模式和離散CFD模型下以模板為核心的計算模式，并將兩類CFD模擬計算核心特征統(tǒng)一抽象為以計算模板為核心的計算模式。以模板計算為基礎(chǔ)，我們給出了錯誤在計算模板中的傳播方程，以及CFD模擬過程中應用級錯誤傳播相關(guān)求解算法。
　　2.基于現(xiàn)有CFD并行應用軟件框架提出了面向CFD并行應用框架的容錯架構(gòu)(第三章)
　　基于

6、并行程序錯誤傳播模型和CFD應用級錯誤傳播模型，在現(xiàn)有CFD并行應用軟件框架的基礎(chǔ)上，設計了面向CFD并行應用框架的容錯架構(gòu)。結(jié)合CFD應用中的天然容錯基礎(chǔ)和相關(guān)容錯需求，我們設計了CFD并行應用框架下的同步回滾方法和異步回滾方法。在同步回滾方法中，重點利用CFD原有的周期性快照輸出以最小代價實現(xiàn)檢查點備份操作。而在異步回滾方法中，采用用戶級sender-based消息日志技術(shù)，解決了失效進程的通信重演問題。
　　3.結(jié)合離散CF

7、D應用特征提出了面向模板計算的軟錯誤檢測方法——GS-DMR(第四章)
　　本文基于應用級錯誤傳播模型，結(jié)合離散模型的CFD并行應用特征，提出了基于網(wǎng)格采樣的雙模冗余檢錯方法，能夠大幅度減少模板計算中對軟錯誤的檢錯開銷。我們基于軟錯誤在網(wǎng)格上的傳播規(guī)律，并使用數(shù)學建模量化分析了如何獲得GS-DMR方法中的最優(yōu)檢錯周期、最優(yōu)檢查點周期和最優(yōu)網(wǎng)格采樣尺寸等，以及獲取這些最優(yōu)參數(shù)的啟發(fā)式算法。針對GS-DMR方法中錯誤傳播延遲帶來的檢錯

8、盲區(qū)問題，我們提出了包括冒險檢查點、多重檢查點和混合檢錯在內(nèi)的多重解決策略，并根據(jù)實用性需求選擇了混合檢錯方案。
　　4.提出了檢查點異步流水I/O優(yōu)化方法——AP-IO(第五章)
　　本文針對checkpoint開銷過大的問題，提出異步流水檢查點I/O優(yōu)化方法——AP-IO，將形成檢查點備份數(shù)據(jù)的多個數(shù)據(jù)場采用流水方式異步寫出，而不是在時間步末尾集中輸出，以獲取更多的可用隱藏時間。同時針對某些CFD應用異步流水I/O隱藏時