Una metodología de detección de fallos transitorios en aplicaciones paralelas sobre cluster de multicores

Título:

Una metodología de detección de fallos transitorios en aplicaciones paralelas sobre cluster de multicores

Autor:

Montezanti, Diego Miguel

Otros autores / Colaboradores:

 De Giusti, Armando Eduardo; [ Director/a]  Naiouf, Ricardo Marcelo; [ Codirector/a] 

Temas:

ARQUITECTURAS MULTICORE; 

URL:

http://sedici.unlp.edu.ar/handle/10915/43305,

Palabras clave:

fallos transitorios, 

Nota de tesis:

Trabajo Final Integrador (Especialización en Cómputo de Altas Prestaciones y Tecnología Grid) - Universidad Nacional de La Plata. Facultad de Informática, 2014.

Extensión:

1 archivo (3,3 MB) : il. col.

Resumen:

El aumento en la escala de integración, con el objetivo de mejorar las prestaciones en los procesadores actuales, sumado al crecimiento de los sistemas de cómputo, han producido que la fiabilidad se haya vuelto un aspecto relevante. En particular, la creciente vulnerabilidad a los fallos transitorios se ha vuelto crítica, a causa de la capacidad de estos fallos de corromper los resultados de las aplicaciones. Históricamente, los fallos transitorios han sido una preocupación en el diseño de sistemas críticos, como sistemas de vuelo o servidores de alta disponibilidad, en los que las consecuencias del fallo pueden resultar desastrosas. Pese a ser fallos temporarios, tienen la capacidad de alterar el comportamiento del sistema de cómputo. A partir del año 2000 se han vuelto más frecuentes los reportes de desperfectos significativos en distintas supercomputadoras, debidos a los fallos transitorios. El impacto de los fallos transitorios se vuelve más relevante en el contexto del Cómputo de Altas Prestaciones (HPC). Aun cuando el tiempo medio entre fallos (MTBF) es del orden de 2 años para un procesador comercial, en el caso de una supercomputadora con cientos o miles de procesadores que cooperan para resolver una tarea, el MTBF disminuye cuanto mayor es la cantidad de procesadores. Esta situación se agrava con el advenimiento de los procesadores multicore y las arquitecturas de cluster de multicores, que incorporan un alto grado de paralelismo a nivel de hardware. La incidencia de los fallos transitorios es aún mayor en el caso de aplicaciones de gran duración, que manejan elevados volúmenes de datos, dado el alto costo (en términos de tiempo y utilización de recursos) que implica volver a lanzar la ejecución desde el comienzo, en caso de obtener resulta-dos incorrectos debido a la ocurrencia del fallo. Estos factores justifican la necesidad de desarrollar estrategias específicas para mejorar la con-fiabilidad en sistemas de HPC; en este sentido, es crucial poder detectar los fallos llamados silenciosos, que alteran los resultados de las aplicaciones pero que no son interceptados por el sistema operativo ni ninguna otra capa de software del sistema, por lo que no causan la finalización abrupta de la ejecución. En este contexto, el trabajo analizará una metodología distribuida basada en software, diseñada para aplicaciones paralelas científicas que utilizan paso de mensajes, capaz de detectar fallos transitorios mediante la validación de contenidos de los mensajes que se van a enviar a otro proceso de la aplicación. Esta metodología, previamente publicada, intenta abordar un problema no cubierto por las propuestas existentes, detectando los fallos transitorios que permiten la continuidad de la ejecución pero que son capaces de corromper los resultados finales, mejorando la confiabilidad del sistema y disminuyendo el tiempo luego del cual se puede relanzar la aplicación, lo cual es especialmente útil en ejecuciones prolongadas.

Puede solicitar más fácilmente el ejemplar con: TES 14/49

1. Fallos transitorios
1.1. Introducción
1.2. Concepto
1.3. Causas de ocurrencia Fallo, error

1.4. Efectos de los fallos transitorios. Terminología
1.5. Métricas utilizadas
1.6. Algunos casos reales
1.7. Consecuencias de los fallos transitorios
1.8. Posibles errores debidos a fallos transitorios
1.8.1. Excepción por instrucción inválida
1.8.2. Error de paridad durante un ciclo de lectura
1.8.3. Violación en acceso a memoria
1.8.4. Cambio de un valor
1.9. Fallos transitorios en sistemas paralelos
1.9.1. Concepto de sistema paralelo
1.9.2. Características de aplicaciones paralelas científicas de paso de mensajes
1.9.3. Consecuencias de fallos transitorios en sistemas paralelos

2. Detección de Fallos Transitorios
2.1. Modelo de fallo
2.2. Objetivos de la detección
2.3. Propuestas basadas en hardware
2.4. Propuestas basadas en software
2.5. Esfera de Replicación (SoR)
2.6. Ventanas de vulnerabilidad
2.7. Fallos múltiples
2.8. Memoria compartida
2.9. Propuestas híbridas

3. Arquitectura cluster de multicores
3.1. Clusters
3.2. Clusters de multicores

4. Programación con paso de mensajes. Estándar MPI
4.1. Modelo de programación basado en paso de mensajes
4.2. Estándar de programación MPI
4.2.1. Comunicaciones no bloqueantes
4.2.2. Comunicadores
4.2.3. Comunicaciones colectivas
4.2.4. Tipos de datos
4.2.5. Ventajas y desventajas de MPI

5. Detección de fallos transitorios en cómputo paralelo
5.1. MPI/FT
5.1.1. El modelo de ejecución de aplicaciones Maestro/Esclavo
5.1.2. El modelo de ejecución de aplicaciones SPMD
5.1.3. Detección de fallos y notificación
5.2. FT-MPI
5.3. Evaluación de la viabilidad de la replicación de procesos en HPC
5.3.1. Replicación de procesos en aplicaciones de HPC con paso de mensajes

6. Metodología SMCV para detección de fallos transitorios
6.1. Fundamentación
6.1.1. Validación de contenidos de mensajes antes de enviar
6.1.2. Comparación de resultados finales
6.1.3. Aprovechamiento de recursos redundantes de hardware
6.2. Descripción de la operación
6.2.1. Caracterización de la sobrecarga de trabajo
6.2.2. SoR de SMCV y vulnerabilidad
6.2.3. Comportamiento frente a fallos
6.3. Implementación de la herramienta de detección SMCV
6.3.1. Funciones básicas
6.3.2. Utilización
6.4. Validación experimental
6.4.1. Arquitectura de prueba
6.4.2. Verificación de la eficacia de detección
6.4.3. Mediciones de overhead
6.4.3.1. Benchmarks utilizados
6.4.3.2. Pruebas realizadas
6.4.3.3. Resultados
6.5. Resumen de las características de la metodología

7. Conclusiones y trabajos futuros
Bibliografía