Parallel C语言级容错机制的设计与实现

来源：计算机工程与应用杂志2018年第17期北京时间：

作者：何王全1，方燕飞1，魏 迪1，董恩铭1，漆锋滨2

单位：1.江南计算技术研究所，江苏 无锡 214083；2.国家并行计算机工程技术研究中心，北京 100080

摘要：大规模异构众核计算机系统具有计算能力强、性能功耗比高等突出优点，已成为超级计算机的发展方向，但其复杂的异构结构和庞大的系统规模，也使系统的可用性面临巨大挑战，因此研究面向大规模异构众核系统的轻量级容错技术具有重要意义。针对传统基于检查点的系统级容错开销过大的问题，在Parallel C语言中设计并实现了故障局部感知的轻量级降级、编译指导与自动分析的检查点等语言支持的容错机制，兼顾了好用性和高效性。局部故障感知的轻量级降级结合动态任务调度框架实现，支持众核系统，可扩展到百万以上并行规模；编译指导与自动分析的检查点通过程序员插入简单的编译指示，由编译器进行分析，提示不需要保留的数据，可有效降低保留恢复的数据量。神威太湖之光超级计算机上的测试数据表明，两种容错措施相对于传统容错方法效果良好，轻量级降级的容错开销小于1%，相对于传统回卷容错方法单次故障执行时间可减少3.5%以上，编译指导与自动分析的检查点在典型应用中最多可将保留量降低至1/10，具有很好的实用性。

关键词：容错,降级,检查点,Parallel C语言