エクサスケールスーパーコンピューティングに向けたスケーラブルな耐故障技術

大規模なアプリケーションでは高性能なスーパーコンピュータを利用した場合においても実行時間が非常に長く、アプリケーション実行中にハードウェア障害が起こる可能性を考慮する必要がある。この対策として実行中のアプリケーションイメージを定期的に集中型ストレージへ保存し、障害発生時には保存したイメージからアプリケーションの実行を再開するチェックポイント・リスタート技術が重要である。しかし、集中型ストレージとのI/Oのバンド幅性能が律速となっているためアプリケーションの大規模化によるチェックポイントの保存に費やす時間の増加が問題となっており、今日のスーパーコンピュータにおいて25%、さらに将来のスーパーコンピュータにおいては50%程度に増加することが予測されている。ディスクレスチェックポイントはスケーラブルな各計算ノード上の記憶領域にチェックポイントイメージを分散して持たせることによって従来のストレージI/Oコストによる律速の問題を解決する技術である。ディスクレスチェックポイントを拡張し、より高信頼かつ高効率なチェックポイント技術を提案しその評価を行った。提案チェックポイントでは実行環境のトポロジーに適したチェックポイント符号化グループを構成することでチェックポイントコストの削減し、またリードソロモン符号化アルゴリズムに基づき、さらに耐故障のためのスレッドを活用することで符号化オーバヘッドを隠蔽する超低オーバヘッドの耐故障インターフェイス(FTI)を開発した。FTIライブラリを地震波シミュレーションコードSPECFEM3Dに適用した結果、TSUBAME2.0の1000GPU規模の実行において6分に一度という高いチェックポイント頻度を高々8%程度のオーバヘッドで実現することができ、将来のエクサスケールの時代においても有効であることを証明した。これらの結果をACM/IEEE Supercomputing 2011において発表し、ベストペーパー賞に相当するSpecial Recognition Award for Perfect Score(論文特別賞)および日本から初となるGeorge Michael博士フェローシップHonorable Mention(奨励賞)を受賞した。

大規模なアプリケーションでは高性能なスーパーコンピュータを利用した場合においても実行時間が非常に長く、アプリケーション実行中にハードウェア障害が起こる可能性を考慮する必要がある。この対策として実行中のアプリケーションイメージを定期的に集中型ストレージへ保存し、障害発生時には保存したイメージからアプリケーションの実行を再開するチェックポイント・リスタート技術が重要である。しかし、集中型ストレージとのI/Oのバンド幅性能が律速となっているためアプリケーションの大規模化によるチェックポイントの保存に費やす時間の増加が問題となっており、今日のスーパーコンピュータにおいて25%、さらに将来のスーパーコンピュータにおいては50%程度に増加することが予測されている。ディスクレスチェックポイントはスケーラブルな各計算ノード上の記憶領域にチェックポイントイメージを分散して持たせることによって従来のストレージI/Oコストによる律速の問題を解決する技術である。ディスクレスチェックポイントを拡張し、より高信頼かつ高効率なチェックポイント技術を提案しその評価を行った。提案チェックポイントでは実行環境のトポロジーに適したチェックポイント符号化グループを構成することでチェックポイントコストの削減し、またリードソロモン符号化アルゴリズムに基づき、さらに耐故障のためのスレッドを活用することで符号化オーバヘッドを隠蔽する超低オーバヘッドの耐故障インターフェイス(FTI)を開発した。FTIライブラリを地震波シミュレーションコードSPECFEM3Dに適用した結果、TSUBAME2.0の1000GPU規模の実行において6分に一度という高いチェックポイント頻度を高々8%程度のオーバヘッドで実現することができ、将来のエクサスケールの時代においても有効であることを証明した。これらの結果をACM/IEEE Supercomputing 2011において発表し、ベストペーパー賞に相当するSpecial Recognition Award for Perfect Score(論文特別賞)および日本から初となるGeorge Michael博士フェローシップHonorable Mention(奨励賞)を受賞した。