Un software per la gestione della fault tolerance basato su PETSc in ambiente HPC

La realizzazione di algoritmi e software ad alte prestazioni - che risultino affidabili ed efficienti in un ambiente di calcolo parallelo e distribuito - richiede l'individuazione e la successiva risoluzione di problemi legati alle caratteristiche delle risorse (eterogeneità, disponibilità, efficienza, ecc.), le quali possono anche variare nel tempo. Questo può succedere a causa di interruzioni temporanee e/o definitive della rete, dei nodi di calcolo, o anche per variazioni del carico di lavoro.
Nasce, quindi, l'esigenza di prevedere meccanismi di monitoraggio e tolleranza ai guasti che abilitino il software a sopravvivere , consentendo al contempo a quest'ultimo di mantenere un certo livello di prestazioni.
Questo lavoro di tesi è incentrato unicamente sulla tolleranza ai guasti, si intende con questo la capacità (fault tolerance ) di reagire ad un fault inatteso, dovuto ad un problema di natura hardware o software.
La fault tolerance può essere garantita in diversi livelli hardware e software di un insieme di nodi di calcolo. Un esempio di fault tolerance che agisce al livello dell'alimentazione elettrica è l'UPS (Uniterruptible Power Supply).
Questo consente agli apparati ad esso collegati di funzionare in caso di assenza di tensione elettrica. Il sistema RAID opera, invece, ad un livello più alto, quello hardware. Tale sistema mette a disposizione un'organizzazione dei dischi che ne migliora l'efficienza e l'affidabilità degli stessi.
A livello di applicazione, la tolleranza ai guasti può essere assicurata grazie al checkpointing, che è una tecnica che consiste nel salvare periodicamente un insieme di dati che, in caso di fault, permettono di riavviare l'applicazione dall'ultimo salvataggio effettuato. Quando si parla di checkpointing bisogna stabilire il come e il dove .Per come si intende in che modo tale tecnica agisce. E, in linea di massima, si possono distinguere due diverse tipologie: la prima, detta trasparente, consiste nel salvare l'intero spazio degli indirizzi dell' applicazione, la seconda l'algorithm based, che rappresenta un raffinamento della precedente, opera a livello algoritmico, in tal caso è demandato al programmatore l'onere di implementare taluni meccanismi per il salvataggio dei soli dati necessari al riavvio dell'applicazione.
Per "dove" , invece, si intende il supporto in cui vengono salvati i dati; si parla di checkpointing disk-based se essi sono salvati sul disco rigido e di checkpointing diskless se i dati sono salvati in memoria centrale.
L'obiettivo del lavoro di tesi è quello di introdurre meccanismi per la fault tolerance, basato sul checkpointing, alla libreria PETSc (Portable Extendible, Toolkit for Scientific computation). PETSc è una libreria per la risoluzione, in ambiente di calcolo sia sequenziale che parallelo, di problemi descritti da equazioni differenziali alle derivate parziali. La sua architettura poggia per il message passing su MPI (Message Passing Interface), lo standard de facto per la comunicazione fra processori in un ambiente di calcolo a memoria distribuita.
L'obiettivo sopra presentato può essere raggiunto in maniera ideale grazie all'implementazione di un meccanismo di checkpointing diskless di tipo algorithm based, poichè,il salvataggio dei dati in memoria centrale è molto più vantaggioso del salvataggio su disco. La realizzazione di un checkpointing diskless, come si vedrà dettagliatamente nei prossimi capitoli, si scontra inevitabilmente con i limiti delle implementazioni dello standard MPI, le quali non offrono meccanismi sufficienti per una gestione dei fault necessari per questo tipo di implementazione.
Costretti a fare di necessità virtù, si è sviluppato un meccanismo di check-pointing algorithm based di tipo disk-based, che permette di ovviare ai limiti imposti dallo standard MPI in termini di fault tolerance. L'implementazione finale è basata su due diverse strategie di checkpointing, le quali possono essere combinate dall'utente in funzione di alcune esigenze che possono variare da problema a problema, al fine di ottenere una più efficiente soluzione possibile.
La tesi è quindi così articolata: il capitolo 1 sarà dedicato alle metodologie, illustrando, con vari esempi, i diversi tipi di sistemi fault tolerance, fino ad arrivare al checkpointing. Il capitolo 2 sarà riservato agli strumenti. Sarà presentata la libreria PETSc e verrà fatta una panoramica su diverse implementazioni MPI, comprese quelle fault tolerance. Il capitolo 3 avrà il compito di motivare le scelte implementative, fornendo diversi spunti su alcune difficoltà implementative. Nel capitolo 4 sarà presentata l'implementazione realizzata, spiegando le due strategie: la centralizzate e la distribuita. Nell'ultimo capitolo, il quinto, saranno mostrati e discussi alcuni test effettuati.