A Failure Detector for HPC Platforms - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Reports (Research Report) Year : 2017

A Failure Detector for HPC Platforms

Un détecteur de fautes pour les plates-formes HPC

Abstract

Building an infrastructure for exascale applications requires, in addition to many other key components, a stable and efficient failure detector. This paper describes the design and evaluation of a robust failure detector, that can maintain and distribute the correct list of alive resources within proven and scalable bounds. The detection and distribution of the fault information follow different overlay topologies that together guarantee minimal disturbance to the applications. A virtual observation ring minimizes the overhead by allowing each node to be observed by another single node, providing an unobtrusive behavior. The propagation stage is using a non uniform variant of a reliable broadcast over a circulant graph overlay network, and guarantees a logarithmic fault propagation. Extensive simulations, together with experiments on the Titan ORNL supercomputer, show that the algorithm performs extremely well and exhibits all the desired properties of an exascale-ready algorithm.
Ce travail présente un détecteur de fautes pour plates-formes HPC. Ce détecteur maintient et diffuse la liste des ressources vivantes en temps logarithmique dans le pire cas, et ce même si un nombre non borné de fautes survient dans la plate-forme, à condition toutefois que celles-ci ne soient pas trop rapprochées dans le temps. De nombreuses simulations et expériences sur le supercalculateur Titan à ORNL montrent toute la performance et la scalabilité de notre algorithme.
Fichier principal
Vignette du fichier
RR-9024.pdf (1.07 Mo) Télécharger le fichier
Origin : Files produced by the author(s)
Loading...

Dates and versions

hal-01453086 , version 1 (02-02-2017)

Identifiers

  • HAL Id : hal-01453086 , version 1

Cite

George Bosilca, Aurélien Bouteiller, Amina Guermouche, Thomas Hérault, Yves Robert, et al.. A Failure Detector for HPC Platforms. [Research Report] RR-9024, INRIA. 2017. ⟨hal-01453086⟩
395 View
536 Download

Share

Gmail Facebook X LinkedIn More