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

基于中长期故障预测的系统可靠性提升技术开发

• 批准号: 21H03449
• 负责人: 江川 隆輔
• 金额: $ 10.73万
• 依托单位: Tokyo Denki University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H03449/
• 关键词: 高性能計算; 障害発生予測; 信頼性; ジョブスケジューリング; 高性能計算システム; 障害発生

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．

The purpose of this study is to improve the performance of large-scale high-performance computing, high-information technology, large-scale analytical technology, technology fusion and high-performance computing. In the future, it is possible to implement high-performance calculation. Information technology is used to make sure that the health cause and effect is known, and the medium-and long-term damage is caused by the knowledge of the technology. In the year 2021, high-performance computing was conducted in the year 2021. In the year 2021, high-performance computing systems were used to improve the performance of students. The basic design of the device is related to the practice of the device, the reuse of the device, the reuse of the device, the sexual test of the design, the design of the design, the design of the basic design, the basic design of the basic design, the birth of the device, the birth of the device, the reuse of the device, the re-use of the device, the design of the design. It is possible that the number of cases of health problems may be affected. The number of cases of health problems is affected by the number of health cases. In general, public equipment, high-performance calculation, safety, performance, performance, performance and performance were analyzed. In order to reduce the risk of damage prevention in the current year, it is possible to improve the performance of the old institutions in the current year.

项目成果

Towards Conflict-Aware Workload Co-execution on SX-Aurora TSUBASA

在 SX-Aurora TSUBASA 上实现冲突感知工作负载协同执行

• DOI: 10.1007/978-3-030-96772-7_16
• 发表时间: 2021
• 期刊: Lecture Notes in Computer Science
• 作者: Riku Nunokawa;Yoichi Shimomura;Mulya Agung;Ryusuke Egawa;and Hiroyuki Takizawa
• 通讯作者: and Hiroyuki Takizawa