SMCV: a Methodology for Detecting Transient Faults in Multicore Clusters

Abstract


 
 
 The challenge of improving the performance of current processors is achieved by increasing the integration scale. This carries a growing vulnerability to transient faults, which increase their impact on multicore clusters running large scientific parallel applications. The requirement for enhancing the reliability of these systems, coupled with the high cost of rerunning the application from the beginning, create the motivation for having specific software strategies for the target systems. This paper introduces SMCV, which is a fully distributed technique that provides fault detection for message-passing parallel applications, by validating the contents of the messages to be sent, preventing the transmission of errors to other processes and leveraging the intrinsic hardware redundancy of the multicore. SMCV achieves a wide robustness against transient faults with a reduced overhead, and accomplishes a trade-off between moderate detection latency and low additional workload.
 
 

SEDAR: Detección y recuperación automática de fallos transitorios en sistemas de cómputo de altas prestaciones

“…Debido a esto, todos los fallos que conducen a T DC tienen un alto impacto sobre los resultados finales: este es el principio sobre el cual se sustenta el mecanismo de detección de SEDAR. estrategia de detección llamada SMCV[91,92,94]), cuyo objetivo es proveer tolerancia a fallos transitorios a sistemas formados por aplicaciones paralelas que utilizan paso de mensajes y se ejecutan en clusters de multicores. SEDAR es una solución basada en La diferencia, si ocurre un fallo, estará dada por el tiempo total de ejecución.La limitación consiste en que se deben almacenar múltiples checkpoints, y no existe seguridad de que un determinado checkpoint no esté corrompido por un fallo que Finalmente, en su estado actual, la metodología y la implementación de SEDAR soportan únicamente los checkpoints coordinados de nivel de sistema (DM T CP ) o no-coordinados (por proceso, en capa de aplicación); en este sentido, requiere ser extendida de forma de poder soportar diferentes tecnologías de checkpointing, como los checkpoints semicoordinados o el checkpointing diferencial o incremental, no tenidas en cuenta hasta el momento.…”