并行計算環(huán)境中基于檢查點(diǎn)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(kuò)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(yùn)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(jìn)程的一次故障或計算節(jié)點(diǎn)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(diǎn)自動恢復(fù)運(yùn)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(fèi)大量資源。
　　基于檢查點(diǎn)的卷回恢復(fù)技術(shù)是避免出錯時完全重新運(yùn)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(jìn)程的狀態(tài)之間因進(jìn)行通信而具備耦合關(guān)系，這為檢查點(diǎn)的設(shè)置帶來極大挑戰(zhàn)。如何保證從檢查點(diǎn)恢復(fù)出程序正確運(yùn)行時應(yīng)具有的狀態(tài)，同時盡量降低由于采用這一機(jī)制而引入的時間開銷是當(dāng)前研究的熱點(diǎn)和難點(diǎn)。
　　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(diǎn)設(shè)置過程中的進(jìn)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(yùn)行過程中發(fā)生異常的頻率較低而檢查

3、點(diǎn)設(shè)置頻率較高的特點(diǎn)，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(diǎn)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(diǎn)的卷回恢復(fù)機(jī)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(jìn)程管理組件（Multi-Purpose Daemon，MPD）的基礎(chǔ)上，實(shí)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(jī)制，添加相關(guān)功能模塊，以實(shí)現(xiàn)對計算節(jié)點(diǎn)和進(jìn)程運(yùn)行狀態(tài)的監(jiān)控