基于計算網(wǎng)格的集群系統(tǒng)容錯技術及進程遷移機制的研究與實現(xiàn).pdf

1、集群系統(tǒng)以其結構可擴展性好具有高效的計算性能等特性已成為并行處理發(fā)展的主流,但是隨著集群應用領域的拓展以及規(guī)模的不斷擴大,以及網(wǎng)格的出現(xiàn),人們對其可靠性也有了更高的要求.集群系統(tǒng)通常運行的都是大規(guī)模的長時間的科學計算,在缺乏必要的保護措施時,發(fā)生各種異?；蚬收鲜录鹉炒斡嬎愕膹氐资?導致大量的工作付諸東流.現(xiàn)有的消息傳遞系統(tǒng)如MPI本身都未提供從失敗中自動恢復過來的機制,研究其容錯就成為當前的必要.基于檢查點的回卷恢復CRR(ch

2、eckpointing and rollback recovery)是典型的軟件容錯技術,也是有效避免失敗時計算浪費的手段.然而,為并行應用程序設置檢查點要比為單個進程獨立設置檢查點復雜得多,因為在消息傳遞系統(tǒng)中,消息使得進程之間存在依賴性,在回卷恢復過程中可能出現(xiàn)多米諾效應.如何獲取全局一致狀態(tài)是CRR機制在消息傳遞系統(tǒng)中應用的難題,此外,檢查點設置頻率的選取也很重要,這也是碰到的難題之一.本文對回卷恢復算法進行了較為全面的分析和研究

3、,以上海大學自強2000集群系統(tǒng)為實驗平臺,提出了針對MPI的檢查點設置和回卷恢復算法,實現(xiàn)了如同步回卷、協(xié)調(diào)檢查點設置等容錯機制.主要思想是對MPICH增加容錯功能,重新包裝,對用戶做到完全透明性,并在檢查點文件保存的問題上,采取文件鏡像的方法,實現(xiàn)多結點容錯,在發(fā)生故障時,可以將計算任務的損失降到最低.為完善集群管理系統(tǒng),本文還實現(xiàn)了并行任務的執(zhí)行、資源以及結點負載信息的實時監(jiān)測,為系統(tǒng)實現(xiàn)負載均衡以及調(diào)度提供實時信息,提高了結點的