基于計算網(wǎng)格的集群系統(tǒng)容錯技術(shù)及進程遷移機制的研究與實現(xiàn).pdf

1、集群系統(tǒng)以其結(jié)構(gòu)可擴展性好具有高效的計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)模的不斷擴大,以及網(wǎng)格的出現(xiàn),人們對其可靠性也有了更高的要求.集群系統(tǒng)通常運行的都是大規(guī)模的長時間的科學(xué)計算,在缺乏必要的保護措施時,發(fā)生各種異?；蚬收鲜录鹉炒斡嬎愕膹氐资?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恢復(fù)過來的機制,研究其容錯就成為當前的必要.基于檢查點的回卷恢復(fù)CRR(ch

2、eckpointing and rollback recovery)是典型的軟件容錯技術(shù),也是有效避免失敗時計算浪費的手段.然而,為并行應(yīng)用程序設(shè)置檢查點要比為單個進程獨立設(shè)置檢查點復(fù)雜得多,因為在消息傳遞系統(tǒng)中,消息使得進程之間存在依賴性,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機制在消息傳遞系統(tǒng)中應(yīng)用的難題,此外,檢查點設(shè)置頻率的選取也很重要,這也是碰到的難題之一.本文對回卷恢復(fù)算法進行了較為全面的分析和研究

3、,以上海大學(xué)自強2000集群系統(tǒng)為實驗平臺,提出了針對MPI的檢查點設(shè)置和回卷恢復(fù)算法,實現(xiàn)了如同步回卷、協(xié)調(diào)檢查點設(shè)置等容錯機制.主要思想是對MPICH增加容錯功能,重新包裝,對用戶做到完全透明性,并在檢查點文件保存的問題上,采取文件鏡像的方法,實現(xiàn)多結(jié)點容錯,在發(fā)生故障時,可以將計算任務(wù)的損失降到最低.為完善集群管理系統(tǒng),本文還實現(xiàn)了并行任務(wù)的執(zhí)行、資源以及結(jié)點負載信息的實時監(jiān)測,為系統(tǒng)實現(xiàn)負載均衡以及調(diào)度提供實時信息,提高了結(jié)點的