Reinit++：评估面向 MPI 容错的全局重启恢复方法性能
分布式、并行与集群计算
2021-02-16 v1
摘要
随着超级计算机规模扩大，硬件组件数量增加导致故障率上升。在标准实践中，应用通过检查点保存数据，并在故障发生后重启执行以从最新检查点恢复。然而，重新部署应用会因拆除与重建执行而产生开销，并可能限制从缓慢的永久存储中检索检查点。本文提出 Reinit++，一种避免应用重新部署的全局重启恢复 Reinit 方法的全新设计与实现。我们广泛评估了 Reinit++ 与主流 MPI 容错方法 ULFM（实现全局重启恢复）以及典型的应用重启实践，以获得关于性能的新见解。对三个不同的 HPC 代理应用进行实验，使其具备抵御进程与节点故障的弹性，结果表明 Reinit++ 的恢复速度远快于重启（最高 6 倍）或 ULFM（最高 3 倍），并且随着 MPI 进程数量增长具有极佳的可扩展性。
引用
@article{arxiv.2102.06896,
title = {Reinit++: Evaluating the Performance of Global-Restart Recovery Methods For MPI Fault Tolerance},
author = {Giorgis Georgakoudis and Luanzheng Guo and Ignacio Laguna},
journal= {arXiv preprint arXiv:2102.06896},
year = {2021}
}
备注
International Conference on High Performance Computing (ISC 2020)