Faire face aux pannes et aux erreurs silencieuses en combinant checkpoints et réplication

This paper provides a model and an analytical study of replication as a techniqueto detect and correct silent errors, as well as to cope with both silent and fail-stop errors onlarge-scale platforms. Fail-stop errors are immediately detected, unlike silent errors for whicha detection mechanism is required. To detect silent errors, many application-specific techniquesare available, either based on algorithms (ABFT), invariant preservation or data analytics, butreplication remains the most transparent and least intrusive technique. We explore the right level(duplication, triplication or more) of replication for two frameworks: (i) when the platform issubject only to silent errors, and (ii) when the platform is subject to both silent and fail-stoperrors. A higher level of replication is more expensive in terms of resource usage but enablesto tolerate more errors and to correct some silent errors, hence there is a trade-off to be found.Replication is combined with checkpointing and comes with two flavors: process replication and group replication. Process replication applies to message-passing applications with communicatingprocesses. Each process is replicated, and the platform is composed of process pairs, or triplets.Group replication applies to black-box applications, whose parallel execution is replicated severaltimes. The platform is partitioned into two halves (or three thirds). In both scenarios, resultsare compared before each checkpoint, which is taken only when both results (duplication) or twoout of three results (triplication) coincide. If not, one or more silent errors have been detected,and the application rolls back to the last checkpoint, as well as when fail-stop errors have struck.We provide a detailed analytical study for all of these scenarios, with formulas to decide, for eachscenario, the optimal parameters as a function of the error rate, checkpoint cost, and platform size.We also report a set of extensive simulation results that nicely corroborates the analytical model.Ce rapport propose un modèle et une étude analytique de la réplication en tantque technique pour détecter et corriger les erreurs silencieuses. Bien que d’autres techniquesexistent pour les applications HPC, basées sur des algorithmes (ABFT), préservation d’invariant,ou analyse de données, la réplication reste la technique la plus transparente et la moins intrusive.Nous explorons le bon niveau (duplication, triplication ou plus) dans deux cadres différents : (i)quand la plateforme est soumise seulement aux erreurs silencieuses, et (ii) lorsque la plateformeest soumise à la fois aux pannes et aux erreurs silencieuses. Un niveau de réplication élevé est pluscoûteux en terme de ressources utilisées, mais tolère un plus grand nombre d’erreurs, il y a doncun équilibre à trouver. La réplication est combinée avec des checkpoints et se présente sous deuxformes : réplication de processus et réplication de groupe. La réplication de processus s’appliqueaux applications à passage de messages avec des processus communicants. Chaque processus estrépliqué, et la plate-forme est composée de paires, ou triplets de processus. La réplication de groupes’applique à des applications type boîte noire, dont l’exécution parallèle est répliquée plusieurs fois.La plate-forme est alors partitionnée en deux moitiés (ou trois tiers). Dans les deux scénarios,les résultats sont comparés avant chaque checkpoint, qui est effectué seulement lorsque les deuxrésultats (duplication) ou deux sur trois (triplication) coïncident. Sinon, une ou plusieurs erreurssilencieuses ont été détectées, et l’application redémarre depuis le dernier checkpoint, de la mêmefaçon que lorsqu’une panne survient. Nous proposons une étude analytique détaillée des deuxscénarios ainsi que les paramètres optimaux fonction du taux d’erreur, du coût du checkpoint, etde la taille de la plate-forme. Nous donnons également les résultats d’un ensemble de simulationsqui viennent corroborer le modèle analytique