MPICH/OpenMPI 中的容错

Posted 2023-02-21

【中文标题】MPICH/OpenMPI 中的容错

【英文标题】：fault tolerance in MPICH/OpenMPI

【发布时间】：2011-07-20 04:30:21

【问题描述】：

我有两个问题-

第一季度。除了检查点/回滚之外，还有更有效的方法来处理 MPI 中的错误情况吗？我看到如果一个节点“死亡”，程序会突然停止。有没有办法在节点死亡后继续执行？ （如果以准确性为代价，则没有问题）

第二季度。我在“http://***.com/questions/144309/what-is-the-best-mpi-implementation”中读到，OpenMPI 具有更好的容错性，最近 MPICH-2 也提出了类似的功能..有人知道它们是什么以及如何使用它们吗？是“模式”吗？他们可以在Q1中所述的情况下提供帮助吗？

请回复。谢谢。

【参考方案1】：

MPI - 所有实现 - 能够在出现错误后继续运行一段时间。默认是死 - 也就是说，默认错误处理程序是 MPI_ERRORS_ARE_FATAL - 但可以设置（例如，参见讨论 here）。但是该标准目前并没有超出这个范围。也就是说，在这样的错误之后很难恢复和继续。如果您的程序足够简单（某种主从类型的设置），则可以继续这种方式。

MPI forum 目前正在研究 MPI-3，错误处理和容错将成为新标准的重要组成部分（working group 专门讨论该主题）。然而，在这项工作完成之前，从 MPI 获得更强容错性的唯一方法是使用早期的非标准扩展。 FT-MPI 是一个开发了非常强大的 MPI 的项目，但不幸的是它基于 MPI1.2；该标准的一个非常早期的版本。 here 声称他们现在正在使用 OpenMPI，但我不知道结果如何。有基于 MPI2 的 MPICH-V，但这比我认为您正在寻找的更多基于检查点重启。

已更新以添加：容错功能并未纳入 MPI-3，但工作组仍在继续其工作，预计不久之后会产生一些结果。 p>