超级计算机容错系统设计研讨.pdf

2008年伞围高性能计算学术年会 超级计算机容错系统设计研究 龚道永付金辉朱建涛 (江南计算技术研究所无锡214083) coln) (gongdaoyong@126 摘要：随着超级计算机系统规模的不断扩大以及 计算机系统必须解决的一项关键性技术，在国际超 系统结构的日益复杂，硬件可靠性和软件可用性都 级计算机技术研究领域也是一个|‘分令人关注的 面临着严峻的威胁和挑战，系统高可用性已成为研 前沿性课题。 制超大规模并行计算机系统必须解决的一项关键 在超级计算机的容错技术中，相关的措施有很 性技术。本文分析了超级计算机容错设计的思想、 多，但将各种措施形成完整体系的并不多本文拟 硬件可用性设计支持、系统级容错模型以及主要软 结合1。作实践，从容错思想、模型、具体措施等方 件客错措施，并进行了简单的总结。 面进行分析，并给卅相应的总结。 关键词：RURAS局部降级局部恢复保留 恢复 2容错思想 作为系统设计的重要组成部分，高可用系统的 目的是在软硬件发生故障时，系统能够通过各种容 错措施使得用户课题得以顺利运行完，且在总的运 行时间上不受大的损失，从而提高整机的可用性、 由于系统运行中软硬件的各种故障和异常不可避 ～一～一 免，容错也就不可缺少。 容错思想是容错设计的基础，决定设计思路和 方向。不同的系统也有不同的设计要求、不同的设 计思想和理念。：在标准化集群系统中，容错往往只 有一些系统级或应用级的保留恢复；而在高端超级 计算机系统的设计中，很多硬件单元都需要定制， 软件往往也需要重新设计，必然会降低成熟度与可 靠性，这给容错设计带来了机遇和挑战。 2．1 系统级容错 系统级容错设计，是采用协同容错的设计思 ～一一一一一一一一一一一 一一～一一一一一一一一一一一一一一一 想，将容错纳入系统总体设计中，与系统的结构设 一 1 引 言 计密不可分这种设计思想通常采用自顶向下设 一～一一一～一一～～一一一一一～一一一一 计，综合考虑