[論文レビュー] Resilience Design Patterns: A Structured Approach to Resilience at Extreme Scale

Saurabh Hukerikar, Christian Engelmann|QRU Quaderns de Recerca en Urbanisme|Aug 23, 2017

Radiation Effects in Electronics被引用数 4

ひとこと要約

本論文は、極大規模ハイパフォーマンスコンピューティング（HPC）システムにおけるレジリエンス設計を体系的に行うための手法を提示する。この手法では、故障、誤り、障害の共通課題に対する再利用可能で形式化された解決策である「レジリエンス設計パターン」を用いる。実証済みのHPCレジリエンス技術をパターンのカタログと構成的設計フレームワークに整理することで、ハードウェアおよびソフトウェア層を横断して、レジリエンスソリューションの統合、最適化、移植性を体系的に行えるようになる。その結果、保護カバレッジ、パフォーマンス、パワー効率が向上し、設計段階でのトレードオフ分析が可能になる。

ABSTRACT

Reliability is a serious concern for future extreme-scale high-performance computing (HPC) systems. While the HPC community has developed various resilience solutions, the solution space remains fragmented. There are no formal methods and metrics to integrate the various HPC resilience techniques into composite solutions, nor are there methods to holistically evaluate the adequacy and efficacy of such solutions in terms of their protection coverage, and their performance & power efficiency characteristics. In this paper, we develop a structured approach to the design, evaluation and optimization of HPC resilience using the concept of design patterns. A design pattern is a general repeatable solution to a commonly occurring problem. We identify the problems caused by various types of faults, errors and failures in HPC systems and the techniques used to deal with these events. Each well-known solution that addresses a specific HPC resilience challenge is described in the form of a pattern. We develop a complete catalog of such resilience design patterns, which may be used as essential building blocks when designing and deploying resilience solutions. We also develop a design framework that enhances a designer's understanding the opportunities for integrating multiple patterns across layers of the system stack and the important constraints during implementation of the individual patterns. It is also useful for defining mechanisms and interfaces to coordinate flexible fault management across hardware and software components. The overall goal of this work is to establish a systematic methodology for the design and evaluation of resilience technologies in extreme-scale HPC systems that keep scientific applications running to a correct solution in a timely and cost-efficient manner despite frequent faults, errors, and failures of various types.

研究の動機と目的

• HPCレジリエンスソリューションの断片的かつ非協調的な状態を是正すること。これは、形式的な統合手法や包括的な評価指標が欠如しているためである。
• 多様なレジリエンス技術（アプリケーションレベルおよびシステムベース）を統合し、一貫性のある設計手法を提供する、体系的かつ再利用可能なフレームワークを開発すること。
• システムアーキテクト、ソフトウェア開発者、アプリケーションプログラマーが、進化するハードウェアおよびソフトウェアスタックにわたって、標準化され、移植可能なパターンを用いてレジリエンスソリューションを構成できるようにすること。
• パフォーマンス、保護カバレッジ、パワー消費量の間のトレードオフを体系的に分析することで、レジリエンスソリューションを最適化すること。
• 極大規模HPCにおける将来のレジリエンス工学の基盤を提供するため、ベストプラクティスを形式化し、パターンベースの設計フレームワークに統合すること。

提案手法

• 技術的スケーリングやニア・スレッショルド電圧動作に起因する一時的およびハードエラーなどの、極大規模HPCシステムにおける繰り返し発生するレジリエンス課題を同定する。
• チェックポイント、レプリケーション、エラー検出、回復などの、広く知られたHPCレジリエンス技術を、標準的な構造と意味論を持つ再利用可能な設計パターンに形式化する。
• システムスタックのレイヤーおよび抽象化レベルに応じた関係を反映するように、パターンを階層的・レイヤードにカタログ化する。
• 複数のパターンの組み合わせ、ハードウェアとソフトウェア間のメカニズムの調整、実装制約の管理を可能にする設計フレームワークを開発する。
• フレームワークを用いて設計の代替案を検討し、ソリューションの有効性を評価し、パフォーマンス、レジリエンスカバレッジ、パワー効率の最適化を図る。
• パターンベースのアプローチを用いて、将来のアーキテクチャ向けの新しいレジリエンスソリューションの開発および既存ソリューションの再設計を支援する。

実験結果

リサーチクエスチョン

• RQ1 極大規模HPCシステムにおけるレジリエンス技術を、合成的かつスケーラブルなソリューションに体系的に統合する方法は何か？
• RQ2 多様なHPCレジリエンスソリューションを一貫性のある再利用可能なフレームワークに統合するための形式的構造と分類は何か？
• RQ3 ハードウェアおよびソフトウェア層を横断して、レジリエンスパターンをどのように組み合わせ、柔軟性、移植性、調整性を確保できるか？
• RQ4 このパターンベースのアプローチを用いて、パフォーマンス、保護カバレッジ、パワー消費量の間のトレードオフを体系的に評価・最適化できるか？
• RQ5 この手法は、将来のHPCシステムにおけるレジリエンスソリューションの設計、評価、進化をどの程度改善できるか？

主な発見

• 本論文は、HPCの故障、誤り、障害の共通課題に対する既知の解決策を形式化した包括的なレジリエンス設計パターンのカタログを確立した。これにより、再利用性と標準化が可能になる。
• パターンの階層的組織化により、システムアーキテクトから低レベルのコンponent開発者に至るまで、適切な抽象化レベルで作業できる。
• 提案された設計フレームワークにより、複数のパターンを組み合わせて完全なレジリエンスソリューションを構築可能となり、レイヤー間の依存関係や制約を管理できる。
• パターンベースのアプローチにより、パフォーマンス、保護カバレッジ、パワー消費量のバランスを体系的に探索・最適化できる。
• ベストプラクティスを形式化し、移植可能で拡張可能なソリューションを可能にするため、極大規模HPCにおける将来のレジリエンス工学の基盤を提供する。
• フレームワークにより、将来のエクサスケールシステムを含む、進化するハードウェアおよびソフトウェア環境へのレジリエンスソリューションの移植性と適応性が向上する。