空間冗長度の時間畳み込みによるクラスタシステムの高信頼化

通过空间冗余的时间卷积提高集群系统的可靠性

基本信息

批准号：
16650008
负责人：
中村宏
金额：
$ 2.24万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Exploratory Research
财政年份：
2004
资助国家：
日本
起止时间：
2004 至 2005
项目状态：
已结题

项目摘要

本研究の目的は、汎用の高性能な計算ノードを多数高速ネットワークで接続するクラスタシステムの高信頼化であり、クラスタシステムの状態を最低限の空間冗長度で保持し、それを時間軸上で畳み込むことでさらに高い冗長度を確保する新しい手法として、skewed checkpointingという新しいチェックポイント方式を提案した。本年度はまず、前年度開発したチェックポイント方式のシミュレータを開発した。これにより、CPU/network/disk等の実システムの性能、および故障率に応じて、アルゴリズムの最適化を実施した場合の効果を検証することが可能となる。その後、提案するチェックポイント方式を実際のクラスタ上にプロトタイプ実装し、状態保存に要する時間、状態復元に要する時間を測定した。提案手法の有効性は、シミュレーションを用いて示すべきだが、そもそも故障は確率的に発生するものなので、結果の精度を上げるためには膨大なシミュレーションをする必要がある。特に、多重故障などの発生確率の低い障害に対する効果を示すことはシミュレーションでは難しい。そこで、マルコフモデルを用いて、性能と信頼性の両方を含むperformabilityの理論解析も実施した。シミュレーション評価から、CPU/network/disk等の実システムの性能、および故障率に応じて最適化する提案チェックポイント方式の有効性が明らかになり、また、この結果が理論解析結果とほぼ一致したことからその検証も行えた。この結果を踏まえ、実行中に故障率が変動する場合に動的にチェックポイント方式を最適化する手法に関しても提案し、シミュレーション評価により、その有効性を示すことができた。故障率が変動する場合の理論解析はまだ不十分であるが、実行中に故障率が変動するという、実環境に即した仮定を考慮することができたのは意義深い成果である。

本研究的目的是提高由大量通用、高性能计算节点通过高速网络连接而成的集群系统的可靠性。本研究的目的是维持集群系统的状态集群系统具有最小程度的空间冗余，并随着时间的推移保持集群系统的状态，我们提出了一种称为倾斜检查点的新方法，作为通过卷积确保更高冗余的新方法。今年，我们首先开发了去年开发的基于检查点的模拟器。这样就可以根据CPU/网络/磁盘等实际系统的性能和故障率来验证优化算法的效果。之后，我们在实际集群上实现了所提出的检查点方法的原型，并测量了保存状态所需的时间和恢复状态所需的时间。该方法的有效性应通过仿真来证明，但由于故障首先是随机发生的，因此有必要进行大量仿真以提高结果的准确性。特别是，很难通过模拟来证明发生概率低的故障（例如多次故障）的有效性。因此，我们使用马尔可夫模型对性能（包括性能和可靠性）进行了理论分析。仿真评估揭示了所提出的检查点方法的有效性，该方法根据CPU/网络/磁盘等实际系统的性能和故障率进行了优化，结果与理论分析结果基本一致。能够验证这一点。基于这些结果，我们还提出了一种在执行过程中故障率波动时动态优化检查点方法的方法，并能够通过仿真评估证明其有效性。虽然对故障率波动情况的理论分析仍然不够，但我们能够考虑执行过程中故障率波动的假设，与实际环境一致，这是一个重大成就。