Toward Local Failure Local Recovery Resilience Model using MPI-ULFM
Toward Local Failure Local Recovery Resilience Model using MPI-ULFM
复制标题
使用 MPI-ULFM 实现本地故障本地恢复弹性模型
DOI：
10.1145/2642769.2642774
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
M. Heroux
中科院分区：
文献类型：
--
作者：
K. Teranishi;M. Heroux
当前系统对单个MPI进程丢失的反应是杀死所有剩余的进程，并从最近的检查点重新启动应用程序。对于未来的极端尺度系统，这种方法将变得不可行。我们使用一种名为本地故障本地恢复（LFLR）的新兴弹性计算模型来解决这个问题，该模型为应用程序开发人员提供了在本地恢复的能力，并在进程丢失时继续执行应用程序。我们讨论了软件框架的设计，以使用MPI-ULFM实现LFLR模型，并演示了MiniFE的弹性版本，该版本可以从过程故障中实现可扩展的恢复。
The current system reaction to the loss of a single MPI process is to kill all the remaining processes and restart the application from the most recent checkpoint. This approach will become unfeasible for future extreme scale systems. We address this issue using an emerging resilient computing model called Local Failure Local Recovery (LFLR) that provides application developers with the ability to recover locally and continue application execution when a process is lost. We discuss the design of our software framework to enable the LFLR model using MPI-ULFM and demonstrate the resilient version of MiniFE that achieves a scalable recovery from process failures.