|
本研究の目的は，アプリケーションプログラマの負担を最小限に抑えた耐故障性実現のために，マルチSPMDプログラミング開発実行環境において耐故障性をサポートすることである．この開発実行環境では，ワークフローにおけるタスクを分散並列／共有メモリモデルとすることで，ワークフローモデルと分散並列／共有メモリモデルを適切に組み合わせて利用し，大規模システムにおいても高いスケーラビリティを実現した．さらに，障害が起こったタスクをハードビートにより検出して自動的に再実行することで，障害発生下でもアプリケーションを完遂可能な仕組みを実装した．
平成28年度においては，これまでに実装した耐故障性を考慮したマルチSPMDプログラミング開発実行環境を，大規模システムである京コンピュータに向けて拡張し，性能評価を行った．予備実験の結果，タスクへのデータ入出力時に故障検知のためのハートビートが適切に送られないことがあることがわかり，対策を検討した．
本実装におけるタスクへのデータ入出力はMPI-IOにより行われている．京において，ワーカからMPI-IO時と計算時にそれぞれ一定間隔でハートビートをマスタへ送信する単純なマスタワーカ型プログラムを実行し，MPI-IO性能を評価したところ，MPI-IOとオーバーラップするハートビートはしばしば間隔が不規則になることがわかった．また，京におけるMPI-IOの実行時間を調査したところ，同一サイズのデータ，プロセス数を用いた複数の試行において，実行時間にばらつきが出ることがわかった．これらの理由により，ハートビートの受信間隔が長くなることが，マスタが動作中のワーカーを故障と誤判定する原因であることから，タスクへのデータ入出の前のハートビートに「出力中」の状態を示すフラグを追加し，この誤判定を防ぐ実装を行った．
|
