Identifying the right replication level to detect and correct silent errors at scale

Résumé : Ce rapport propose un modèle et une étude analytique de la réplication en tant que technique pour détecter et corriger les erreurs silencieuses. Bien que d'autres techniques existent pour les applications HPC, basées sur des algorithmes (ABFT), préservation d'invariant, ou analyse de données, la réplication reste la technique la plus transparente et la moins intrusive. Nous explorons le bon niveau (duplication, triplication ou plus) de réplication nécessaire pour détecter et corriger les erreurs silencieuses de manière efficace. La réplication est combinée avec des checkpoints et se présente sous deux formes : \emph{réplication de processus} et \emph{réplication de groupes}. La réplication de processus s'applique aux applications à passage de messages avec des processus communicants. Chaque processus est répliqué, et la plate-forme est composée de paires, ou triplets de processus. La réplication de groupe s'applique à des applications type boîte noire, dont l'exécution parallèle est répliquée plusieurs fois. La plate-forme est alors partitionnée en deux moitiés (ou trois tiers). Dans les deux scénarios, les résultats sont comparés avant chaque checkpoint, qui est effectué seulement lorsque les deux résultats (duplication) ou deux sur trois (triplication) coïncident. Sinon, une ou plusieurs erreurs silencieuses ont été détectées, et l'application redémarre depuis le dernier checkpoint. Nous proposons une étude analytique détaillée des deux scénarios ainsi que les paramètres optimaux fonction du taux d'erreur, du coût du checkpoint, et de la taille de la plate-forme. Nous donnons également les résultats d'un ensemble de simulations qui viennent corroborer le modèle analytique.
Type de document :
Rapport
[Research Report] RR-9047, Inria Grenoble Rhône-Alpes, Université de Grenoble. 2017
Liste complète des métadonnées

Littérature citée [48 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01494678
Contributeur : Equipe Roma <>
Soumis le : jeudi 23 mars 2017 - 18:20:14
Dernière modification le : vendredi 20 avril 2018 - 15:44:27
Document(s) archivé(s) le : samedi 24 juin 2017 - 16:21:59

Fichier

RR-9047.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01494678, version 1

Citation

Anne Benoit, Aurélien Cavelan, Franck Cappello, Padma Raghavan, Yves Robert, et al.. Identifying the right replication level to detect and correct silent errors at scale. [Research Report] RR-9047, Inria Grenoble Rhône-Alpes, Université de Grenoble. 2017. 〈hal-01494678〉

Partager

Métriques

Consultations de la notice

228

Téléchargements de fichiers

79