機群系統(tǒng)容錯中間件技術研究.pdf

1、在高性能計算機的研究當中，如何保證系統(tǒng)的可用性和應用的可靠性一直就是需要首要考慮的問題之一。機群以其高性價比和高可擴展性已經(jīng)成為構造高性能計算機一種主要的方法，而節(jié)點間松散耦合的結構也使得機群系統(tǒng)更易于保證系統(tǒng)的可用性。隨著機群系統(tǒng)規(guī)模的逐漸增大，也帶來許多了新的問題，如更加頻繁的組件失效，軟件體系結構的擴展性等問題。這些新的問題對如何保證系統(tǒng)的可用性帶來了更多的挑戰(zhàn)。機群容錯中間件技術將機群、容錯和中間件技術結合在一起，是一種在機群系

2、統(tǒng)軟件層實現(xiàn)的能夠同時保證系統(tǒng)可用性和應用可靠性的方法。 本文結合曙光4000A系統(tǒng)的機群操作系統(tǒng)Phoenix高可用核心的設計與實現(xiàn)，對機群容錯中間件的關鍵技術進行了探索，重點研究了：1)在大規(guī)模情況下，適用于機群系統(tǒng)的容錯中間件的框架與體系結構；2)在容錯中間件技術中，適合于大規(guī)模機群的容錯實現(xiàn)機制；3)在采用容錯中間件情況下，對機群系統(tǒng)可用性和應用可靠性的評價。本文取得的研究成果如下： 1．在提出和分析機群系統(tǒng)規(guī)模

3、變大給系統(tǒng)可用性所帶來的新的挑戰(zhàn)后，提出了一　個用于大規(guī)模機群系統(tǒng)的容錯中間件框架DCFT-Kernel。這個框架采用了分區(qū)管　理的思想及“平等式”與“結構式”結合的體系結構，較當前的機群高可用軟件有效地解決了大規(guī)模系統(tǒng)所帶來的系統(tǒng)擴展性、軟件體系結構擴展性、和容錯機制擴展性等問題。DCFT-Kernel框架由組服務、故障管理服務、配置服務 、事件服務和用戶接口組成，能夠提供完備的錯誤偵測、錯誤修復、錯誤通知功能。 2．在分析

4、了將容錯技術應用到機群系統(tǒng)在理論上需要解決的問題后，提出了一種 用于實現(xiàn)機群容錯中間件核心容錯機制的關鍵技術——組服務技術。機群容錯 中間件的工作基礎是自身的高可靠，組服務技術通過采用組結構和成員關系協(xié)議，能夠保證機群容錯中間件自身在運行時嚴格的一致性和高可靠性。在組服務基礎上，提出的機群容錯機制充分考慮了機群系統(tǒng)和并行應用的特點，提供 了層次化的故障偵測和處理方法，能夠?qū)Υ蟛糠值南到y(tǒng)故障和應用故障進行有 效的處理。 3．在曙光

5、4000A系統(tǒng)上實現(xiàn)了一個實際運行的機群容錯中間件系統(tǒng)DCFTM。DCFTM位于機群操作系統(tǒng)的核心，為機群操作系統(tǒng)的各種服務部件提供高可用支持，同時也可以直接向上層應用程序提供編程接口，保障應用程序的容錯運行。通過對DCFTM實際運行的性能分析表明：1)DCFTM能夠保證機群操作系統(tǒng)中各類服務的高可用運行，在故障處理時可以提供很高的響應時間，能夠及時的發(fā)現(xiàn)和修復各種故障，并通知這些事件。2)DCFTM只占據(jù)很少的系統(tǒng)開銷，只要將心跳間隔

6、時間設置不低于1秒，即使在極限的負載情況下也能正常工作，且DCFTM的運行對系統(tǒng)上其它程序的運行性能影響在5％以下。 4．分析機群容錯中問件有效性的主要方法就是評價其對系統(tǒng)可用性和應用可靠性的影響。在第六章，我們采用隨機回報網(wǎng)技術，分別從系統(tǒng)和用戶兩個角度建立了考慮失效相關性的機群系統(tǒng)的可用性模型和機群并行應用的可靠性模型。通過對模型求解后的結果分析表明：1)機群容錯中間件技術對系統(tǒng)的可用性提高比較明顯，而機群組件問的失效相關性