Development of system reliability improvement technology based on medium- to long-term failure prediction

点击翻译按钮获取中文摘要

本研究の目的は，従来の大規模高性能計算システムの高信頼化技術と大規模データ解析技術を融合させることで，将来起こりえる障害に対する対応策を導き出すことが可能な高性能計算システムの信頼化技術を確立することにある．システムのヘルスモニタリング情報と障害発生の因果関係を解明することで，中長期的な障害発生予測・検知技術の開発に取り組み，これらの予測に基づいたシステムの信頼性を堅持・向上させるための施策をシステマティックに適用可能な要素技術に関する研究開発に取り組んだ．2021年度は，高性能計算システムシステムのシステムログやヘルスモニタリング情報と障害発生履歴の相関関係を解明することを目的に，これらの情報を蓄積するデータベースの基本設計と障害発生予測手法の検討を行った．データベースは再利用性と拡張性を考慮して設計し．今後実システムで生じる障害を記録，蓄積することを可能にしている．障害発生予測に関しては現在の当研究で対象としているシステムに障害発生事例数の制約により，一般に公開されている高性能計算システムの障害履歴・システムログ・エラーメッセージ・アラートなどから構成される大規模データを用いた予測手法の基本設計に着手し初期評価が可能な段階である．また，障害回避・復旧に関しては，ホスト・アクセラレータから構成されるヘテロジニアスな構成計算システムにおけるジョブスケジューリング手法と，次年度以降に障害回避・復旧機構を評価可能とするジョブスケジューリングシミュレータの基本設計に着手した．