大规模并行计算机系统硬件故障容错技术综述

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (10): 38-43.doi: 10.3969/j.issn.1007130X.2010.

大规模并行计算机系统硬件故障容错技术综述

富弘毅,杨学军

（并行与分布处理国防科技重点实验室，湖南长沙 410073）

收稿日期:2009-05-11 修回日期:2009-09-27 出版日期:2010-09-29 发布日期:2010-08-02
作者简介:富弘毅（1978），男，新疆乌鲁木齐人，博士生，研究方向为计算机体系结构和并行计算；杨学军，教授，博士生导师，研究方向为并行计算机系统结构、并行操作系统和并行编译。
基金资助:
国家自然科学基金资助项目（60621003，60633050）

A Survey of the FaultTolerance Techniques for LargeScale Parallel Computing Systems

FU Hongyi,YANG Xuejun

（National Laboratory for Parallel and Distributed Processing,Changsha 410073，China）

Received:2009-05-11 Revised:2009-09-27 Online:2010-09-29 Published:2010-08-02

摘要/Abstract

摘要：

计算机系统的容错是一个不容忽视的问题。近年来，随着系统结构的复杂性增加，半导体制造工艺的发展，线宽的降低以及集成度的提高，从用户桌面系统到分布式计算环境，乃至大规模并行计算机系统，功耗和可靠性问题都很突出。本文首先介绍了计算机系统可靠性和容错技术的基本概念、基本方法和基本思想，然后回顾了近些年来一些具有代表性的硬件故障检测技术和硬件故障恢复技术，其中重点介绍了针对大规模并行计算机系统提出的容错方法。本文还介绍了我们在先前的研究工作中提出的一种优化的故障恢复技术，称为容错并行算法。最后，总结了一些可能的研究方向。

关键词: 大规模并行计算, 容错技术, 可靠性

Abstract:

Fault tolerance is critical to computer systems. Recently,as the ever increasing complexity of architecture and the development of semiconductor techniques,the density of chips becomes much higher. As a consequence,the reliability issue of computer systems emerges,not only for largescale parallel systems,but also for distributed environments,even desktop applications. This paper reviews a number of typical faulttolerance techniques concerning hardware faults proposed in recent years,especially for those designed for largescale parallel systems,draws some preliminary conclusions,and puts forward several potential research topics of this domain.

Key words: largescale parallel computing;faulttolerance techique;reliability

富弘毅,杨学军. 大规模并行计算机系统硬件故障容错技术综述[J]. J4, 2010, 32(10): 38-43.

FU Hongyi,YANG Xuejun. A Survey of the FaultTolerance Techniques for LargeScale Parallel Computing Systems[J]. J4, 2010, 32(10): 38-43.

[1]	胡绍柳, 蔡岳平. 时间敏感网络中基于边不相交路径对选择的帧复制与消除机制[J]. 计算机工程与科学, 2024, 46(11): 1979-1988.
[2]	于勤, 吴非, 张猛, 谢长生. 全息存储中的纠错码研究综述[J]. 计算机工程与科学, 2024, 46(04): 571-579.
[3]	熊国杰, 张津铭, 贺光辉. 一种面向Chiplet互连的高效传输协议设计与实现[J]. 计算机工程与科学, 2023, 45(08): 1339-1346.
[4]	孙智超, 张策, 江文倩, 刘凯卫, 范苗苗, 李文毓, 温雅菲. 故障检测率对软件可靠性影响实证分析[J]. 计算机工程与科学, 2022, 44(12): 2162-2173.
[5]	袁远, 李世杰, 邢建英, 蒋句平. E级高性能计算机系统中监控分系统的挑战与设计[J]. 计算机工程与科学, 2021, 43(08): 1366-1375.
[6]	陆平静, 赖明澈, 王博超, 常俊胜. 一种计算互连融合网络体系结构[J]. 计算机工程与科学, 2020, 42(10高性能专刊): 1737-1741.
[7]	张策1，伊文敏2，白睿1，盛晟1，徐早辉1，高天翼1，王瞰宇1，苏嘉尧1. SRGM下失效数据集效用与验证分析[J]. 计算机工程与科学, 2020, 42(06): 1012-1020.
[8]	惠子青,刘晓燕,严馨. 基于排错等待延迟的广义动态集成神经网络模型[J]. 计算机工程与科学, 2020, 42(04): 641-648.
[9]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.
[10]	冯璇，胡舒凯，王谛，宋新亮，李宏亮. 一种改进的高速链路前向纠错编码[J]. 计算机工程与科学, 2017, 39(05): 885-891.
[11]	李雪松，叶雪梅，蔡艳宁，范青刚. 车载自组网中最远转发机制的可靠性改进[J]. 计算机工程与科学, 2016, 38(09): 1784-1789.
[12]	程学庆1,2，武中凯3，贾江涛1，刘星文1. 装车站运输作业过程的时间可靠性分析[J]. J4, 2016, 38(06): 1252-1256.
[13]	宋凤,莫毓昌,潘竹生,钟发荣. 带长度约束的k端网络可靠性分析[J]. J4, 2016, 38(01): 84-88.
[14]	李鑫1,3,4，林宇斐2，郭晓威1. 面向分布式流体系结构的多副本积极容错技术[J]. J4, 2015, 37(12): 2233-2241.
[15]	赵宏伟，刘波，谢广钱，刘恒. 卫星有效载荷的多目标多学科设计优化研究[J]. J4, 2015, 37(12): 2276-2281.

大规模并行计算机系统硬件故障容错技术综述

A Survey of the FaultTolerance Techniques for LargeScale Parallel Computing Systems

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价