%0 Journal Article
%T 大规模mpi并行计算的可扩展三模冗余容错机制
%A 王之元？
%A 杨学军？
%A 周云？
%J 软件学报
%P 1022-1035
%D 2012
%R 10.3724/SP.J.1001.2012.04011
%X 随着系统规模的扩大,并行计算的性能不断提高,但可靠性却也在不断下降,因此需要采用某种容错机制来容忍或恢复硬件故障和数据错误.目前常用的容错机制checkpoint/restart和多模冗余均引入了额外的开销,这些开销均在某种程度上制约了并行计算的可扩展性.因此,在高性能计算需求不断增长的今天,可扩展容错机制的设计显得尤为迫切和重要.以三模冗余(triplemodularredundancy,简称tmr)为典型案例,描述了传统tmr在大规模mpi并行计算上的实现方法,分析了该机制所面临的实际问题,进而指出传统tmr制约了并行计算的扩展.根据该技术所面临的问题,设计了可扩展三模冗余(scalabletriplemodularredundancy,简称stmr),并进一步验证了其有效性和可扩展性.该机制不仅能够处理checkpoint/restart针对的fail-stop故障,还能够解决绝大部分硬件不能直接感知的数据错误.最后,借用bluegene/l的系统参数进行模拟,预测当系统规模增大时,在分别采用tmr和stmr的情况下并行计算可扩展性的变化,结果进一步验证了stmr是可扩展的容错机制.
%K 容错机制
%K 可扩展性
%K 三模冗余
%K 大规模并行计算
%K mpi
%U http://www.jos.org.cn/ch/reader/view_abstract.aspx?file_no=4011&flag=1