基于計(jì)算網(wǎng)格的集群系統(tǒng)容錯(cuò)技術(shù)及進(jìn)程遷移機(jī)制的研究與實(shí)現(xiàn).pdf

1、集群系統(tǒng)以其結(jié)構(gòu)可擴(kuò)展性好具有高效的計(jì)算性能等特性已成為并行處理發(fā)展的主流,但是隨著集群應(yīng)用領(lǐng)域的拓展以及規(guī)模的不斷擴(kuò)大,以及網(wǎng)格的出現(xiàn),人們對(duì)其可靠性也有了更高的要求.集群系統(tǒng)通常運(yùn)行的都是大規(guī)模的長時(shí)間的科學(xué)計(jì)算,在缺乏必要的保護(hù)措施時(shí),發(fā)生各種異?；蚬收鲜录?huì)引起某次計(jì)算的徹底失敗,導(dǎo)致大量的工作付諸東流.現(xiàn)有的消息傳遞系統(tǒng)如MPI本身都未提供從失敗中自動(dòng)恢復(fù)過來的機(jī)制,研究其容錯(cuò)就成為當(dāng)前的必要.基于檢查點(diǎn)的回卷恢復(fù)CRR(ch

2、eckpointing and rollback recovery)是典型的軟件容錯(cuò)技術(shù),也是有效避免失敗時(shí)計(jì)算浪費(fèi)的手段.然而,為并行應(yīng)用程序設(shè)置檢查點(diǎn)要比為單個(gè)進(jìn)程獨(dú)立設(shè)置檢查點(diǎn)復(fù)雜得多,因?yàn)樵谙鬟f系統(tǒng)中,消息使得進(jìn)程之間存在依賴性,在回卷恢復(fù)過程中可能出現(xiàn)多米諾效應(yīng).如何獲取全局一致狀態(tài)是CRR機(jī)制在消息傳遞系統(tǒng)中應(yīng)用的難題,此外,檢查點(diǎn)設(shè)置頻率的選取也很重要,這也是碰到的難題之一.本文對(duì)回卷恢復(fù)算法進(jìn)行了較為全面的分析和研究

3、,以上海大學(xué)自強(qiáng)2000集群系統(tǒng)為實(shí)驗(yàn)平臺(tái),提出了針對(duì)MPI的檢查點(diǎn)設(shè)置和回卷恢復(fù)算法,實(shí)現(xiàn)了如同步回卷、協(xié)調(diào)檢查點(diǎn)設(shè)置等容錯(cuò)機(jī)制.主要思想是對(duì)MPICH增加容錯(cuò)功能,重新包裝,對(duì)用戶做到完全透明性,并在檢查點(diǎn)文件保存的問題上,采取文件鏡像的方法,實(shí)現(xiàn)多結(jié)點(diǎn)容錯(cuò),在發(fā)生故障時(shí),可以將計(jì)算任務(wù)的損失降到最低.為完善集群管理系統(tǒng),本文還實(shí)現(xiàn)了并行任務(wù)的執(zhí)行、資源以及結(jié)點(diǎn)負(fù)載信息的實(shí)時(shí)監(jiān)測,為系統(tǒng)實(shí)現(xiàn)負(fù)載均衡以及調(diào)度提供實(shí)時(shí)信息,提高了結(jié)點(diǎn)的