[論文レビュー] A Survey of Fault-Tolerance and Fault-Recovery Techniques in Parallel Systems

Michael Treaster|ArXiv.org|Jan 1, 2005

Distributed systems and fault tolerance参考文献 33被引用数 81

ひとこと要約

本調査は、大規模クラスターシステムにおけるフォールトトレランスおよびフォールトリカバリ技術について包括的な概要を提供しており、管理コンponentのためのリダンドンシーと、計算ノードのためのチェックポイント/ロールバックリカバリに焦点を当てている。ソフトウェアライブラリ、ミドルウェア、システムレベルの拡張といった実装アプローチを評価し、失敗しやすい並列環境における耐障害性を確保するには、多様で階層的な戦略が不可欠であることを示している。

ABSTRACT

Supercomputing systems today often come in the form of large numbers of commodity systems linked together into a computing cluster. These systems, like any distributed system, can have large numbers of independent hardware components cooperating or collaborating on a computation. Unfortunately, any of this vast number of components can fail at any time, resulting in potentially erroneous output. In order to improve the robustness of supercomputing applications in the presence of failures, many techniques have been developed to provide resilience to these kinds of system faults. This survey provides an overview of these various fault-tolerance techniques.

研究の動機と目的

• 大規模クラスターシステムにおける高いコンponent障害率を考慮した、フォールトトレランス機構を分析・分類すること。
• Byzantine、fail-stop、fail-stutterの異なるフォールトモデルの強みと限界を特定・比較し、フォールトトレランス設計を導く要因を明らかにすること。
• ソフトウェアライブラリ、プログラミング言語拡張、システムレベルのミドルウェアといった、フォールトトレランスの実装戦略を評価すること。
• 異なるフォールトトレランスデプロイメントモデルにおける、使いやすさ、ポータビリティ、システム統合のトレードオフを評価すること。
• 開発者およびシステムアーキテクトが、アプリケーション要件とシステム制約に基づいて適切なフォールトトレランス技術を選択するための基盤を提供すること。

提案手法

• 故障の種類を、集中型コンponentの障害（例：管理ノード）と計算ノードの障害（例：プロセスクラッシュ）に分類し、それぞれに異なる保護戦略を要する点を提示する。
• 3つのフォールトモデルを導入・比較する：Byzantine（任意の悪意ある動作）、fail-stop（障害検出可能な停止）、fail-stutter（継続的な正しく動作しながら性能劣化）。
• 集中型コンponentのためのリダンドンシーに基づく解決策をレビューし、1つのノードが障害を起こしても継続性が保証される複数のレプリカを活用する。
• 長時間実行されるアプリケーションのためのチェックポイントとロールバックリカバリを詳細に説明し、協調的および独立的チェックポイントのプロトコルを含む。
• 実装技術を分析：APIを備えたソフトウェアライブラリ、オブジェクト指向のメタオブジェクト、フォールトトレラントプログラミング言語、OSレベルの拡張、およびプレプロセッサベースのコード生成。
• ミドルウェアベースのアプローチを評価し、アプリケーション全体にわたってフォールトトレランスを透明に監視・管理するバックグラウンドデーモンを展開する。

実験結果

リサーチクエスチョン

• RQ1 Byzantine、fail-stop、fail-stutterの異なるフォールトモデルは、クラスターシステムにおけるフォールトトレランス機構の設計と有効性にどのように影響を与えるか？
• RQ2 集中型コンponentのためのリダンドンシー保護と、計算ノードのためのチェックポイントベースのリカバリの間には、どのようなトレードオフがあるか？
• RQ3 ソフトウェアライブラリ、ミドルウェア、言語拡張といったさまざまな実装戦略は、開発者の使いやすさ、システム統合、フォールトトレランスカバレッジにどのように影響を与えるか？
• RQ4 fail-stopモデルに比べて、fail-stutterモデルが現実のシステム障害をよりよく表現しつつ、解析の扱いやすさを損なわない点で、どのような利点を提供するか？
• RQ5 大規模クラスターシステムにおいて、アプリケーションレイヤーと下位のシステムインfraストラクチャの両方のフォールトトレランスを確保する上で、主な課題は何か？

主な発見

• fail-stopモデルは自動障害検出を可能にし、シンプルさから広く使われているが、メモリ破損のような微妙な故障は検出できない。
• Byzantineモデルは最も攻撃的であり、m回の障害を耐えるには最低でも3m+1ノードが必要だが、実用的なクラスターシステムにはしばしばあまりに制限的である。
• fail-stutterモデルは、正しく機能を維持しながら性能劣化を許容することで、現実的で中間的な妥当性を提供し、実用的なフォールトトレランスモデリングを向上させる。
• 集中型コンponent（管理ノードやストレージノードなど）の保護にはリダンドンシーが主な技術であり、レプリケーションによってフェイルオーバーと一貫性が保証される。
• チェックポイントとロールバックリカバリは、計算ノード上の長時間実行アプリケーションを保護するための主流の技術であり、状態の保存と復元を調整するプロトコルが存在する。
• ソフトウェアライブラリとミドルウェアは実用的で導入可能なフォールトトレランスソリューションを提供し、ミドルウェアは透明な保護を、ライブラリはAPIを通じた細かな制御を可能にする。