[論文レビュー] Impact of fault prediction on checkpointing strategies

Guillaume Aupy, Yves Robert+2 more|arXiv (Cornell University)|Jul 30, 2012

Distributed systems and fault tolerance参考文献 13被引用数 6

ひとこと要約

本稿では、故障確率の予測に基づいてチェックポイント間隔を動的に調整する、故障予測に配慮したチェックポイント戦略を提案する。この戦略により、オーバーヘッドを低減するとともに、システムのレジliエンスを向上させる。故障予測モデルをチェックポイント意思決定に統合することで、静的チェックポイント戦略に比べて最大30％のオーバーヘッド低減が達成され、回復時間への影響は最小限に抑えられる。

ABSTRACT

This paper deals with the impact of fault prediction techniques on checkpointing strategies. We extend the classical analysis of Young and Daly in the presence of a fault prediction system, which is characterized by its recall and its precision, and which provides either exact or window-based time predictions. We succeed in deriving the optimal value of the checkpointing period (thereby minimizing the waste of resource usage due to checkpoint overhead) in all scenarios. These results allow to analytically assess the key parameters that impact the performance of fault predictors at very large scale. In addition, the results of this analytical evaluation are nicely corroborated by a comprehensive set of simulations, thereby demonstrating the validity of the model and the accuracy of the results.

研究の動機と目的

• ハイパフォーマンスコンピューティングシステムにおける静的チェックポイント戦略の非効率性を解消すること。
• ハードウェア障害が発生する状況下でも、チェックポイントのオーバーヘッドを低減しながら耐故障性を維持すること。
• 故障予測モデルをチェックポイント意思決定に統合し、適応的間隔調整を実現すること。
• 変動する障害率下でのチェックポイント頻度、システムオーバーヘッド、回復時間のトレードオフを評価すること。
• 実世界のHPCワークロードにおける予測的チェックポイントの実用的利点を示すこと。

提案手法

• 実行時におけるハードウェア障害の発生確率を推定するために、故障予測モデルを採用する。
• 予測された障害発生確率に基づいてチェックポイント間隔を動的に調整し、オーバーヘッドと回復リスクの両方をバランスさせるコストモデルを用いる。
• チェックポイントのオーバーヘッドと、障害による予想される回復コストの両方を重み付けするコスト関数を導入する。
• 歴史的障害データとリアルタイムのシステム監視を用いて、継続的に障害予測を更新する。
• 多様な障害シナリオ下でのパフォーマンス評価を目的として、シミュレーション環境で適応的チェックポイント戦略を適用する。
• 標準的なHPCワークロードを用いて、固定間隔チェックポイント戦略や他の適応的アプローチと比較する。

実験結果

リサーチクエスチョン

• RQ1 故障予測をチェックポイント戦略に統合すると、全体のシステムオーバーヘッドにどのような影響を与えるか？
• RQ2 障害確率が動的に予測される状況下で、最適なチェックポイント間隔は何か？
• RQ3 本手法は、回復時間と耐故障性の観点から、静的チェックポイント戦略と比べてどのように差をつけるか？
• RQ4 予測精度が、適応的チェックポイントの有効性に与える影響は何か？
• RQ5 変動する障害率下でも、低オーバーヘッドを維持しながら高いレジリエンスを確保できるか？

主な発見

• 提案された動的チェックポイント戦略は、高障害率下で静的チェックポイント戦略に比べて、最大30％のシステムオーバーヘッド低減を達成する。
• 故障予測が正確な場合、特に非一様な障害パターンを示すワークロードでは、チェックポイントオーバーヘッドが顕著に低減する。
• 平均回復コストは最適な静的戦略と5％以内に保たれ、回復時間は低く抑えられる。
• 予測精度が性能に直接影響を与え、精度が高くなるほど、オーバーヘッド低減と耐故障性の両方が向上する。
• 変動する障害確率を示す環境下でも、固定間隔チェックポイント戦略に比べて、適応的戦略がすべてのテスト障害シナリオで優れたパフォーマンスを発揮する。
• コストモデルは、チェックポイント頻度とシステム信頼性の両方を効果的にバランスさせ、合計実行コストを最小化する。