面向高性能计算的分布式故障定位框架

• 作者: 于康 卿鹏 尉红梅 高剑
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 高性能计算 消息传递 故障定位 事件关联 主动探测
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 2017年全国开放式分布与并行计算学术年会(DPCS 2017)论文
• 页码范围: 44-49
• 页数: 6页
• 分类号: TP302
• 字数: 7514字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2017071948

摘要

针对高性能计算系统中故障定位难度高且实时性差的问题,提出了一种基于消息传递的故障定位框架(MPFL),包括基于树形拓扑的故障检测(TFD)和故障分析(TFA)算法.首先,在并行作业初始化时,将所有参与计算的节点进行逻辑上的树形划分,生成故障定位树(FLT),并将故障定位任务分布到节点上;然后,当消息库、操作系统等组件检测到节点异常状态时,基于TFD算法分析作业的FLT结构,根据负载平衡、性能开销等因素选择接收异常状态的节点;最后,节点利用TFA算法对接收到的异常状态进行推理得出故障,TFA算法使用基于规则的事件关联,并基于消息传递设计轻量级的主动探测,将两种方式相结合,提高了故障分析的准确性.实验以模拟节点停机故障为定位目标,并以NPB-FT与NPB-IS为基准测试,在集群上对MPFL框架进行了评估.实验结果表明,MPFL框架在故障定位能力与开销节省方面表现突出.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尉红梅		14	18	2.0	3.0
2	卿鹏		7	10	2.0	3.0
3	高剑		1	3	1.0	1.0
4	于康		1	3	1.0	1.0