MPI中故障感知的非集合通信器创建与修复
分布式、并行与集群计算
2023-08-25 v2
摘要
HPC架构规模日益增长，使得故障出现成为愈发频繁的可能事件。由于作为进程间通信事实标准的MPI缺乏恰当的故障管理功能，此问题变得尤为突出。过往工作对MPI标准进行了扩展以支持故障管理，包括ULFM。尽管提供了处理故障的强大工具，它仍面临诸如修复过程的集合性之类的局限。本文中，我们克服了这些局限，实现了故障感知的非集合通信器创建与修复。我们将解决方案集成到现有故障弹性框架中，并度量了在应用代码中引入的开销。实验活动表明，我们的解决方案具有可扩展性且引入的开销有限，并且非集合修复对于基于ULFM的应用是一种可行的选择。
引用
@article{arxiv.2209.01849,
title = {Fault-Aware Non-Collective Communication Creation and Reparation in MPI},
author = {Roberto Rocco and Gianluca Palermo},
journal= {arXiv preprint arXiv:2209.01849},
year = {2023}
}