Fault-Tolerance Techniques for High-Performance Computing

این متن به موقع یک مرور کلی از تکنیک های تحمل خطا برای محاسبات با کارایی بالا (HPC) ارائه می دهد. متن با مقدمه‌ای مفصل بر مفاهیم پروتکل‌های ایست بازرسی و الگوریتم‌های زمان‌بندی، پیش‌بینی، تکرار، تشخیص و تصحیح خطای خاموش، همراه با برخی تکنیک‌های خاص برنامه مانند ABFT باز می‌شود. تاکید بر مدل های عملکرد تحلیلی است. سپس مروری بر تکنیک‌های همه‌منظوره، از جمله چندین پروتکل بازیابی و پست بازرسی انجام می‌شود. سناریوهای اجرایی مربوطه نیز از طریق مدل‌های کمی ارزیابی و مقایسه می‌شوند. ویژگی ها: بررسی روش های تاب آوری و مدل های عملکرد را ارائه می دهد. منابع مختلف خطاها و خطاها را در سیستم‌های مقیاس بزرگ بررسی می‌کند. طیف تکنیک هایی را که می توان برای طراحی یک MPI مقاوم در برابر خطا به کار برد، بررسی می کند. رویکردهای مختلف برای تکرار را بررسی می کند. چالش مصرف انرژی روش‌های تحمل خطا در سیستم‌های در مقیاس شدید را مورد بحث قرار می‌دهد.

This timely text presents a comprehensive overview of fault tolerance techniques for high-performance computing (HPC). The text opens with a detailed introduction to the concepts of checkpoint protocols and scheduling algorithms, prediction, replication, silent error detection and correction, together with some application-specific techniques such as ABFT. Emphasis is placed on analytical performance models. This is then followed by a review of general-purpose techniques, including several checkpoint and rollback recovery protocols. Relevant execution scenarios are also evaluated and compared through quantitative models. Features: provides a survey of resilience methods and performance models; examines the various sources for errors and faults in large-scale systems; reviews the spectrum of techniques that can be applied to design a fault-tolerant MPI; investigates different approaches to replication; discusses the challenge of energy consumption of fault-tolerance methods in extreme-scale systems.