基于MPI并行程序的容错系统设计.docVIP

基于MPI并行程序的容错系统设计 　　摘要：为了确保并行程序能够在并行环境下准确地运行，须提高系统的可靠性，将容错技术应用到并行计算中。该文针对MPI并行程序提出一种容错系统的设计方法，采用检查点/卷回恢复技术、并添加故障检测功能，能够有效地处理节点失效故障和进程失效故障，在一定范围内实现容错，为MPI环境下进行大规模计算提供一个可使用的应用模型。 　　关键词：MPI并行程序；容错；检查点/卷回恢复；故障检测 　　中图分类号：TP302文献标识码：A文章编号：1009-3044(2011)04-0817-03 　　The Design of Fault-Tolerant System for Parallel Program Based on MPI 　　LI Fei-fei 　　(Northeast Dianli University, Jilin 132012, China) 　　Abstract: In order to ensure that the parallel program accurately runs on parallel environment, system reliability must be enhanced, so fault-tolerant technology is applied to parallel computing. In this paper, a design method of fault-tolerant system is proposed for parallel program based on MPI, which adoptes checkpoint/rollback recovery technology and adds a function of detecting failure. The fault-tolerant system can effectively handle node failure and processes failure in a certain range, which provide a practical model for large-scale calculation under MPI environment. 　　Key words: parallel program; MPI; fault-tolerant; checkpoint/rollback recovery; detecting failure 　　并行计算从本质上讲就是将多任务映射到多处理机上执行，或将多任务映射到具有特定拓扑结构的多节点机上求解，每台节点机启动一个进程。MPI(Message Passing Interface)消息传递接口[1]用于开发基于消息的并行程序，通过传递消息来协调各个并行执行的进程的步伐，并且利用交换信息和数据去控制执行并行计算任务，广泛应用于集群系统的并行程序开发环境。随着集群规模的不断扩大和节点机数的增加,异常关机、节点故障虽然不会经常但极有可能发生,但是现行的MPI标准中不包括任何机制去恢复意外失效的进程，系统发生故障时程序必须从头开始重新执行，从而引起计算时间的大量浪费[2]。因此，需要将容错技术引入到并行计算中，保证在发生各种异常事件或故障时,为用户提供持续的服务。 　　目前，并行程序的容错通常是基于检查点技术，再加入故障探测、处理以及自动恢复等辅助功能而形成的完整容错机制，在全局一致性状态下将进程的运行状态进行保存，当程序运行出现故障时，利用保存的进程状态对出错进程进行恢复，使计算任务从检查点处恢复执行，以减少计算损失，提高程序运行的可靠性和可用性。 　　1 容错相关内容 　　1.1 检查点技术 　　检查点技术[3]是指在程序运行时选择适当的时刻设置检查点，进行检查点操作，保存各个进程的运行状态到存储器中，系统如果在随后的运行过程中发生故障，所有进程停止计算卷回到上一次最近的检查点处，利用检查点处保存的正确状态去恢复出错的进程，从该检查点处重新计算。其过程如图1所示，这样可以避免由于故障而导致程序从头重新执行，因而能有效地减少计算损失。 　　在设置检查点时要保证所有进程处于全局一致性状态[4]，所谓全局一致性状态，就是一个并行程序在无错执行期间所有进程的某种状态集合，当某个进程的状态表现为发送了一条消息时，在相对的另一个进程状态必须反映为接收该消息。为了发生故障时正确地卷回恢复，设置检查点时必须保证记录的状态是所有进程处在全局一致性状态下，避免产生多米诺效应。 　　如图2所示，黑色方块代表各个进程独立设置的检查点，当进程P2发出消息m7后发生故障，则卷回到检查点C处，卷回过程中