[论文解读] 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 1

一句话总结

Lifeguard 是对 SWIM 组成员协议的一组扩展，通过引入本地健康监控，减少了因自身故障检测器故障而导致的误报失败检测。评估表明，它显著降低了误报率，同时保持或改善了真实失败检测的延迟。

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.

研究动机与目标

• 为解决 SWIM 协议中因消息处理缓慢而导致的误报失败检测问题，尽管已有抗误报机制。
• 识别 SWIM 设计中导致错误失败检测的根本原因，特别是在本地故障检测器不可靠时。
• 设计并评估一种解决方案，使系统能够通过本地健康感知检测并纠正自身故障检测逻辑中的故障。
• 同时降低误报失败检测率，并保持真实失败的低检测延迟，从而提高整体系统鲁棒性。

提出的方法

• 引入一种本地健康度量，用于监控本地故障检测模块的性能和可靠性。
• 利用本地健康度量检测故障检测器本身是否发生故障或报告不准确。
• 通过自诊断机制扩展 SWIM，当本地检测器被认为不可靠时，抑制或纠正故障报告。
• 将本地健康监控集成到 SWIM 的成员视图更新中，使系统能够区分实际故障与检测器引起的误报。
• 设计并实现一个反馈回路，根据观察到的本地健康趋势调整故障检测行为。

实验结果

研究问题

• RQ1 SWIM 中哪些设计特性会导致尽管已有抗误报机制，仍出现误报失败检测？
• RQ2 本地健康监控能否检测到本地故障检测器本身存在故障？
• RQ3 对 SWIM 的自诊断扩展能否在不增加真实故障检测延迟的前提下降低误报失败检测率？
• RQ4 所提出的解决方案在受控环境和真实网络条件下的表现如何？

主要发现

• Lifeguard 通过检测并缓解本地故障检测器中的故障，显著降低了 SWIM 中的误报失败检测率。
• 系统对真实故障的检测时间保持较低水平，确保了响应能力未受影响。
• 在受控环境中的评估证实，与基线 SWIM 相比，误报率显著降低。
• 在真实场景中的验证进一步证实了 Lifeguard 在类似生产环境条件下的有效性。