SEDAR : detección y recuperación automática de fallos transitorios en sistemas de cómputo de altas prestaciones

Tesis con dirección conjunta por convenio de colaboración entre Universidad Nacional de La Plata y la Universidad Autónoma de Barcelona.

Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Índice -- Prefacio -- 1. Fallos Transitorios -- 1.1. Introducción -- 1.2. Concepto. Causas de ocurrencia -- 1.3. Terminología asociada a los fallos transitorios -- 1.4. Métricas utilizadas -- 1.5. Algunos casos reales -- 1.6. Consecuencias de los fallos transitorios -- 1.7. Posibles efectos de los fallos transitorios -- 1.7.1. Excepción por instrucción inválida -- 1.7.2. Error de paridad durante un ciclo de lectura -- 1.7.3. Violación en acceso a memoria -- 1.7.4. Cambio de un valor -- 1.8. Fallos transitorios en sistemas de HPC -- 1.8.1. Características de aplicaciones paralelas científicas de paso de mensajes -- 1.8.2. Consecuencias de fallos transitorios en sistemas paralelos -- 1.9. Objetivos -- 1.10. Contribuciones y limitaciones -- 2. Trabajo relacionado -- 2.1. Objetivos de la detección -- 2.2. Propuestas basadas en redundancia -- 2.2.1. Redundancia a nivel de instrucciones -- 2.2.2. Redundancia a nivel de threads -- 2.3. Propuestas basadas puramente en software -- 2.4. Propuestas híbridas -- 2.5. Tolerancia a fallos transitorios en cómputo paralelo -- 2.5.1. Aplicaciones MPI resilientes: ULFM -- 2.6. Checkpoint-Restart -- 2.7. Soluciones específicas -- 2.8. Replicación de procesos en HPC -- 2.8.1. Replicación de procesos para aplicaciones de HPC con paso de mensajes -- 2.9. Propuestas basadas en la combinación de Replicación y C/R -- 2.10. Diferencias de SEDAR con las propuestas existentes -- 3. Detección de fallos transitorios en sistemas de HPC -- 3.1. Modelo de fallo -- 3.2. Metodología SMCV para detección de fallos transitorios -- 3.2.1. Fundamentación -- 3.2.2. Validación de contenidos de mensajes antes de enviar -- 3.2.3. Comparación de resultados finales -- 3.2.4. Aprovechamiento de recursos redundantes del sistema -- 3.3. Descripción de la operación -- 3.4. Comportamiento frente a fallos -- 3.5. Sobrecarga de operación -- 3.6. Esfera de Replicación (SoR) -- 3.7. Vulnerabilidades -- 3.8. Fallos múltiples -- 3.9. Memoria compartida -- 3.10. Resumen de las características de la metodología -- 4. Recuperación Automática -- 4.1. Introducción . -- 4.2. Recuperación basada en múltiples checkpoints de capa de sistema -- 4.2.1. Comportamiento con múltiples fallos -- 4.2.2. Ventajas y limitaciones -- 4.3. Recuperación basada en un único checkpoint de capa de aplicación -- 5. Implementación y Validación Funcional -- 5.1. SEDAR como herramienta -- 5.2. La herramienta de detección SMCV -- 5.2.1. Funciones básicas -- 5.2.2. Forma de utilización -- 5.2.3. Verificación funcional de la eficacia de detección -- 5.3. La herramienta SEDAR de recuperación automática -- 5.3.1. Modelo para la verificación funcional -- 5.3.2. Implementación y validación experimental -- 6. Caracterización Temporal y Resultados Experimentales -- 6.1. Caracterización temporal de SEDAR -- 6.1.1. Caso base (baseline) -- 6.1.2. Parámetros de la caracterización temporal -- 6.1.3. Caracterización temporal de la estrategia de detección SMCV -- 6.1.4. Caracterización temporal de la estrategia de recuperación basada en múltiples checkpoints de nivel de sistema -- 6.1.5. Caracterización temporal de la estrategia de recuperación basada en único checkpoints seguro de capa de aplicación -- 6.1.6. Tiempo promedio de ejecución -- 6.2. Evaluación del comportamiento temporal -- 6.3. Conveniencia de almacenar múltiples checkpoints para la recuperación -- 6.4. Mediciones de overhead -- 6.4.1. Diseño de la experimentación -- 6.4.2. Resultados experimentales -- 7. Conclusiones y trabajos futuros -- 7.1. Conclusiones -- 7.2. Trabajos futuros -- Bibliografía