Ανοχή σφαλμάτων μέσω λογισμικού σε συστήματα παράλληλης επεξεργασίας

Abstract

The requirement for more dependable embedded supercomputing systems is usually dealt with by resorting to one of the following two different approaches: either by fault tolerance (FT) measures taken at operating system level (with mediocre, however results due to the general - purpose mechanisms applied), or by fault tolerance measures integrated at application level (with considerable development effort incurred and, furthermore, resulting in non - reusable solutions). In this dissertation a middle way approach is examined: the development of an adaptable, scalable, portable, maintainable and cost-effective software framework to integrate fault tolerance in embedded supercomputer applications, which lies between the application and the operating system (as middleware). This way the application developer is free to select the FT level that he prefers and tailor the FT mechanisms to his application. In the presented approach standard constituent phases of fault tolerance can be indentified: error detection, error diagnosis and isolation, system reconfiguration and error recovery. With extendibility and maintainability in mind, the framework follows a layered software architecture approach, while for probability reasons the framework is built as a core block with well - defined interfaces and some adaption layers. The layered architecture is mantained throughout the framework core, as well. As a result, the framework consists of a wide variety of independent reusable FT modules acting at different levels and coupled to a central module (the intelligent backbone), while all modules cooperate closely for the realization of fault tolerance in favor of the application level above. Since this framework has been ported to heterogeneous systems, all platform dependent aspects are well hidden from the user-developer and portability to standard platforms and kernels is guaranteed.

Η απαίτηση για πιο αξιόπιστα συστήματα ενσωματωμένων υπερυπολογιστών συνήθως αντιμετωπίζεται είτε λαμβάνοντας μέτρα ανοχής σφαλμάτων σε επίπεδο λειτουργικού συστήματος (με μέτρια αποτελέσματα γιατί εφαρμόζονται πολύ γενικοί μηχανισμοί) είτε με ενσωμάτωση της ανοχής σφαλμάτων (ΑΣ) σε επίπεδο εφαρμογής (με υψηλό κόστος και μη επαναχρησιμοποιήσιμες λύσεις). Στην παρούσα διατριβή εξετάζεται μια μέση οδός: η ανάπτυξη ενός προσαρμόσιμου κλιμακούμενου, μεταφέρσιμου, συντηρήσιμου και αποτελεσματικού ως προς το κόστος περιβάλλοντος λογισμικού για την υποστήριξη της ανοχής σφαλμάτων, το οποίο τοποθeτείται ανάμεσα στην εφαρμογή και στο λειτουργικό σύστημα ως (middleware). Με αυτόν τον τρόπο ο σχεδιαστής του συστήματος είναι ελεύθερος να διαλέξει το επίπεδο της ανοχής σφαλμάτων που επιθυμεί και να προσαρμόσει τους μηχανισμούς ανοχής σφαλμάτων στην εφαρμογή του. Για λόγους συντηρησιμότητας και επεκτασιμότητας το περιβάλλον ΑΣ υιοθετεί μια στρωματοποιημένη προσέγγιση. ενώ για λόγους μεταφερσιμότητας έχει κατασκευαστεί ως ένας πυρήνας με καλά σχεδιασμένα interface και κάποια στρώματα προσαρμογής. Η τεχνική αυτή της δομοστοιχείωσηςχρησιμοποιήθηκε επίσης και μέσα στον ίδιο τον πυρήνα και έτσι το περιβάλλον ΑΣ αποτελείται από μια ποικιλία επαναχρησιμοποιούμενων δομοστοιχείων (modules) ανοχής σφαλμάτων τα οποία δρούν σε διαφορετικά επίπεδα και μέσω των οποίων τα χαρακτηριστικά της εξαρτησιμότητας του συστήματος μπορούν να βελτιωθούν. Καθώς το περιβάλλον αυτό έχει μεταφερθεί σε ετερογενή συστήματα, αποκρύπτονται πλήρως απο τον χρηήστη - προγραμματιστή τα χαρακτηριστικά που έχουν σχέση με το υλικό της πλατφόρμας εφαρμογής και έτσι είναι εγγυημένη η μεταφερσιμότητα της εφαρμογής σε τυποποιημένες πλατφόρμες και kernel.