[論文レビュー] Lifeguard : SWIM-ing with Situational Awareness.

Armon Dadgar, James Phillips+1 more|arXiv (Cornell University)|Jul 4, 2017

Distributed systems and fault tolerance参考文献 2被引用数 1

ひとこと要約

Lifeguard は、自らのフェイルーチェック・デバイスが故障していることを検出できるように、ローカルの健全性監視を導入することで、SWIM グループメンバーシッププロトコルの拡張である。これにより、誤検出の発生率が著しく低下する。評価では、真の障害検出遅延を維持または改善しつつ、誤検出率を顕著に低減していることが示された。

ABSTRACT

SWIM is a peer-to-peer group membership protocol with attractive scaling and robustness properties. However, slow message processing can cause SWIM to mark healthy members as failed (so called false positive failure detection), despite inclusion of a mechanism to avoid this. We identify the properties of SWIM that lead to the problem, and propose Lifeguard, a set of extensions to SWIM which consider that the local failure detector module may be at fault, via the concept of local health. We evaluate this approach in a precisely controlled environment and validate it in a real-world scenario, showing that it drastically reduces the rate of false positives. The false positive rate and detection time for true failures can be reduced simultaneously, compared to the baseline levels of SWIM.

研究の動機と目的

• 既存の誤検出防止機構にもかかわらず、メッセージ処理が遅い状態でも発生する SWIM プロトコルにおける誤検出の問題に対処すること。
• 特にローカルフェイルーチェック・デバイスが信頼できない場合に、誤った障害検出を引き起こす SWIM の設計上の要因を特定すること。
• ローカル健全性認識を用いて、自らのフェイルーチェック論理の故障を検出し、是正できるようにするソリューションの設計と評価を行うこと。
• 誤検出率を低減すると同時に、実際の障害の検出遅延を低く保ち、全体的なシステムの頑健性を向上させること。

提案手法

• ローカルフェイルーチェック・モジュールのパフォーマンスと信頼性を監視するローカル健全性メトリクスを導入すること。
• フェイルーチェック・デバイス自体が不具合を起こしている、または不正確な報告をしていることを、ローカル健全性メトリクスで検出すること。
• ローカル検出器が信頼できないと判断された場合に、障害報告を抑制または是正する自己診断メカニズムを SWIM に拡張すること。
• メンバーシップビューの更新にローカル健全性監視を統合し、実際の障害と検出器由来の誤検出を区別できるようにすること。
• 観察されたローカル健全性トレンドに基づいて、フェイルーチェック動作を調整するフィードバックループを設計・実装すること。

実験結果

リサーチクエスチョン

• RQ1 既存の誤検出防止機構にもかかわらず、SWIM のどの設計的特徴が誤検出を引き起こすのか？
• RQ2 ローカル健全性監視は、ローカルフェイルーチェック・デバイス自体が故障している状態を検出できるか？
• RQ3 SWIM に自己診断拡張を導入することで、誤検出率を低下させつつ、実障害の検出遅延を増加させないか？
• RQ4 提案されたソリューションは、制御下の環境と実世界のネットワーク条件の両方でどのように動作するか？

主な発見

• Lifeguard は、ローカルフェイルーチェック・デバイスの故障を検出し、是正することで、SWIM における誤検出率を顕著に低減する。
• 実障害の検出に低遅延を維持しており、応答性が損なわれていない。
• 制御環境での評価により、ベースラインの SWIM と比較して誤検出率が顕著に低下していることが確認された。
• 実世界のシナリオでの検証により、生産環境に近い条件下でも Lifeguard の有効性がさらに裏付けられた。