高性能計算機的可靠性技術(shù)現(xiàn)狀與方向

張家芳

摘 要：現(xiàn)在，高性能的計算機系統(tǒng)的性能在不斷地改善，而且其硬件的功能越來越完善，所以，提高系統(tǒng)運行可靠性是十分重要的。本文通過分析高性能計算機的可靠性技術(shù)，分析高性能計算機在進行硬件設(shè)計的過程中的可靠性的現(xiàn)狀，并結(jié)合避錯技術(shù)、靜態(tài)冗余等技術(shù)，分析不同的可靠性技術(shù)在計算機中的實際應(yīng)用，提高高性能計算機在使用過程中的可靠性。

關(guān)鍵詞：高性能計算機；可靠性；避錯；冗余

現(xiàn)在，高性能計算機的運行效率越來越高，而且，其處理器的數(shù)量也是越來越多，現(xiàn)在硬件系統(tǒng)的功能越來越強大，但是，隨之而來的是計算機的可靠性下降，系統(tǒng)在使用時會發(fā)生各類故障。尤其是在大規(guī)模的高性能計算機中，由于硬件的功能多，所以，導(dǎo)致的故障也是多種多樣的，而且，故障一旦發(fā)生后，就會導(dǎo)致整個系統(tǒng)都不能繼續(xù)運行。所以，為了能夠確保計算機的性能，并提高其使用的可靠性，有必要對計算機的可靠性技術(shù)進行研究。

1 高性能計算機的可靠性需求

可靠性指的是系統(tǒng)能夠平穩(wěn)運行的基礎(chǔ)，一般是確保系統(tǒng)在長時間內(nèi)部出現(xiàn)故障，而且，現(xiàn)在，計算機的功能越來越完善，這就導(dǎo)致了計算機的可靠性下降。高性能的計算機，其處理器的數(shù)量也是比較多的，處理數(shù)據(jù)的效率非常高。通過對高性能計算機使用情況的分析，可以看出，其在每個小時內(nèi)都會出現(xiàn)不同的故障，所以，計算機在運行中都是通過重啟的方式使計算機的運行恢復(fù)正常的。從計算機的芯片性能進行分析，計算機的芯片規(guī)模越來越大，導(dǎo)致了處理器內(nèi)會發(fā)生各類故障。

2 高性能計算機可靠性技術(shù)的現(xiàn)狀分析

在提高高性能計算機可靠性的時候，一般是使用避錯技術(shù)和容錯技術(shù)。避錯技術(shù)能夠通過完善計算機的硬件系統(tǒng)，防止硬件在運行過程中產(chǎn)生錯誤。容錯技術(shù)是保障計算機在發(fā)生局部的故障時不影響整體的運行。容錯技術(shù)還包括靜態(tài)冗余和動態(tài)冗余兩種，在對高性能計算機進行容錯時，一般采用的是靜態(tài)冗余的方式。

2.1 避錯技術(shù)

避錯技術(shù)主要指的是在對計算機設(shè)計的過程中，盡量能夠?qū)τ嬎銠C的故障進行控制，防止故障在系統(tǒng)中蔓延，防止其他的零部件不能運行。按照相關(guān)的體系，計算機中的零部件的失效與其使用的環(huán)境、工作的溫度等因素密切相關(guān)，所以，避錯技術(shù)重點是對零部件的設(shè)計，控制好零部件運行時的溫度，使零部件運行能夠在良好的環(huán)境下。在實現(xiàn)高性能計算機穩(wěn)定運行中，一般在選擇零部件時都選擇那些可靠性比較高的，將零部件集成使用，這樣就能夠減少零部件的數(shù)量，在故障處理中也是比較方便的。例如，在CEC單元中，其零部件主要包括處理器、存儲器、I/O幾口等，這些零部件通過集成的方式形成一個整體，就能夠減少故障發(fā)生時的影響區(qū)域。

現(xiàn)在，高性能計算機的功能在不斷地完善，所以，其會產(chǎn)生更大的能耗量，所以，在系統(tǒng)產(chǎn)生能耗時會產(chǎn)生很多熱量，會導(dǎo)致系統(tǒng)發(fā)生故障，在提高計算機可靠性時，應(yīng)該充分考慮到零部件使用的熱環(huán)境。各類零部件在使用時，如果長時間處于運行的狀態(tài)，那么，其結(jié)溫就會一直增加，導(dǎo)致零部件的故障頻發(fā)。為了能夠降低零部件在使用中溫度的升高，就要選擇那些低熱阻的裝備，并且采用高效的冷卻方法。例如，在數(shù)據(jù)的傳輸過程中，當(dāng)指令也完成了發(fā)布后，這時不能夠改變串行口的設(shè)計狀態(tài)，由于硬件反應(yīng)速度比較慢，如果強制性的改變串行口的設(shè)置狀態(tài)，那么就會使一些信息丟失。所以，在實際的應(yīng)用中，應(yīng)該等到發(fā)送完成后，再改變串行口的狀態(tài)，或者運用查詢的方式分析其狀態(tài)是否是可以改變的。

2.2 靜態(tài)冗余

靜態(tài)冗余技術(shù)能夠?qū)植康墓收线M行屏蔽，使局部的故障不影響整個系統(tǒng)的運行。在系統(tǒng)發(fā)生故障的時候，運用信息冗余的方式，使故障能夠在最短的時間內(nèi)輸出，通過對故障的補救，從而能夠消除其帶給系統(tǒng)的不良的影響。CRC校驗又稱為循環(huán)冗余校驗，是數(shù)據(jù)通訊中常用的一種校驗算法。它可以有效的判別出數(shù)據(jù)在傳輸過程中是否發(fā)生了錯誤，從而保障了傳輸?shù)臄?shù)據(jù)可靠性。 CRC校驗有多種方式，如：CRC8、CRC16、CRC32等等。在實際使用中，我們經(jīng)常使用CRC16校驗。CRC16校驗也有多種，如：1005多項式、1021多項式（CRC-ITU）等。在這里我們不討論CRC算法是怎樣產(chǎn)生的，而是重點落在幾種算法的C51程序的優(yōu)化上。 計算CRC校驗時，最常用的計算方式有三種：查表、計算、查表+計算。一般來說，查表法最快，但是需要較大的空間存放表格；計算法最慢，但是代碼最簡潔、占用空間最小。

2.3 部件的冗余

部件的冗余指的是在系統(tǒng)的關(guān)鍵零部件上出現(xiàn)的故障，如在系統(tǒng)的電源和監(jiān)控器上出現(xiàn)的故障。在使用高性能計算機時，經(jīng)常出現(xiàn)的故障就是電源故障，這類故障會產(chǎn)生比較嚴重的后果，所以，應(yīng)該采用電源冗余的方法，可以進行電源的冗余備份處理，應(yīng)該從不同的電源上接收輸入信號，然后在運行的情況下實現(xiàn)電源的轉(zhuǎn)換。在對冗余時鐘進行設(shè)計時，要分析中心面板上的振蕩器，分為兩個振蕩器，一個處于工作狀態(tài)，一個處于備份的狀態(tài)，當(dāng)一個振蕩器發(fā)生故障后，時鐘源就可以進行切換，使備用的振蕩器派上用場。

2.4 數(shù)據(jù)通路的冗余

數(shù)據(jù)通路的冗余能夠理解成對零部件的冗余，在高性能計算機使用的過程中，一般都采取了這種提高可靠性的措施，在對磁盤的路徑進行設(shè)計時一般都設(shè)計了冗余路徑。軟件會實現(xiàn)很多特定的功能，為了方便程序員，引入了“模塊化程序設(shè)計”，引入動態(tài)鏈接庫（DLL），由主執(zhí)行文件調(diào)用來執(zhí)行某一項或幾項特定功能。但在卸載時，可能會出現(xiàn)不能將所有DLL文件刪除干凈的情況，這些剩余的DLL文件就是冗余動態(tài)連接庫，可以通過刪除來節(jié)省硬盤空間。

2.5 信息冗余

信息冗余指的是對數(shù)據(jù)的糾錯的技術(shù)，其能夠在數(shù)據(jù)中增加冗余，從而減少信息在傳遞的過程中發(fā)生的故障，而且能夠?qū)π畔⒌墓收掀鸬搅己玫钠帘蔚男Ч?。在高性能計算機的使用中，中央處理器、I/O接口等一般都采用了信息冗余的方法。

2.6 動態(tài)冗余

動態(tài)冗余指的是在計算機系統(tǒng)中按照功能的不同分成不同的模塊，在對故障進行檢查時，只需要檢查每個模塊的運行狀況就可以直接找到故障的所在，系統(tǒng)能夠進行及時地恢復(fù)。

3 故障的診斷與檢測

故障的檢測技術(shù)能夠分析計算機中是否是存在故障的，而且能夠?qū)收系奈恢枚ㄎ?。在對故障進行診斷和檢測時，可以采取聯(lián)機的方式，也可以在脫機的形式下進行。一般在高性能的計算機中，是采用聯(lián)機檢測的方法，能夠?qū)收线M行跟蹤處理。在對檢錯碼進行分析時，能夠針對循環(huán)冗余中提供的校驗碼進行分析，從而能夠自動的識別系統(tǒng)的故障。但是，其與糾錯碼還是存在一定的差異的，檢錯碼不能夠自動的將錯誤糾正，而且，在監(jiān)視定時器使用時需要有網(wǎng)絡(luò)連接。在對總線的故障進行分析時，需要考慮到總線控制器在交互環(huán)節(jié)中的問題。在對故障進行檢測的過程中，應(yīng)該先對硬件進行檢測，然后分析系統(tǒng)的故障。

3.1 重組技術(shù)

充足時實現(xiàn)動態(tài)冗余的關(guān)鍵，是防止局部的系統(tǒng)故障對整個系統(tǒng)帶來的不利影響。系統(tǒng)的故障分為可恢復(fù)的和不可恢復(fù)，如果檢測的故障是不可恢復(fù)的，那么，系統(tǒng)中就會將故障的部件切換掉，運用備用的部件。而且如果發(fā)現(xiàn)備用的部件不足，系統(tǒng)就能夠自動的將故障隔離，確保整個計算機系統(tǒng)還是可以運行的。

3.2 恢復(fù)技術(shù)

重組技術(shù)能夠?qū)δ切┎荒芑謴?fù)的故障進行處理，但是，在高性能計算機運行的過程中，還是存在一些瞬間產(chǎn)生的故障，這些故障能夠很快解決，可以通過對系統(tǒng)的恢復(fù)完成?；謴?fù)能夠?qū)崿F(xiàn)對瞬間故障的診斷，瞬間故障一般都是可恢復(fù)的故障，所以這些故障能夠及時地消除。在恢復(fù)技術(shù)中最常見的是重試，在對相關(guān)的步驟操作但是沒有反應(yīng)時，可以采用重試的方式，服務(wù)器就會采用重試的方式，對系統(tǒng)重新運行，重新對數(shù)據(jù)進行傳輸。

3.3 在線替換

這項技術(shù)能夠?qū)ο到y(tǒng)出現(xiàn)的故障替換，將故障置換出來，從而能夠使系統(tǒng)恢復(fù)到之前的功能。在高性能計算機中，在線替換功能主要是英語到磁盤、電源等設(shè)備中，在單元板能夠正常運行的情況下，實現(xiàn)服務(wù)器的一環(huán)，從而也能夠使那些較為落后的功能替換，實現(xiàn)系統(tǒng)的在線升級。

4 結(jié)語

現(xiàn)在，高性能計算機的應(yīng)用還是比較廣泛的，在各類生產(chǎn)中得到了廣泛地應(yīng)用，其功能逐漸完善，但是，在多元化功能的背景下，其運行的可靠性也在下降，所以，要提高計算機的可靠性，就需要借助一些可靠性技術(shù)，促進高性能計算機的穩(wěn)定運行。

參考文獻：

[1] 黃永勤，金利峰，劉耀.高性能計算機的可靠性技術(shù)現(xiàn)狀與趨勢[J].計算機研究與發(fā)展.2010（04）：589-594.

[2] 王俊超，彭濤，馮光柳.曙光高性能計算機在數(shù)值預(yù)報模式中的應(yīng)用[J].計算機技術(shù)與發(fā)展.2014（10）：178-181.

[3] 蔣句平，龐征斌，周興銘.高性能計算機RAS技術(shù)現(xiàn)狀與趨勢[J].計算機工程與科學(xué).2005（01）：80-82.

[4] 劉曉婷，賈志淳.高性能計算機中互連網(wǎng)絡(luò)的可靠性研究[J].電子制作.2015（04）：151-152.

[5]華凌.高性能計算機是一個國家綜合科技實力的體現(xiàn) 我國超級計算機顯神威[J].電子展望與決策.2000（06）：29-30.

[6]王穎.李國杰和他的曙光高性能計算機[J].中國信息導(dǎo)報.2000（06）：

42-43.

[7]夏培肅.高性能計算機中的若干關(guān)鍵技術(shù)問題的基礎(chǔ)性研究[J].中國基礎(chǔ)科學(xué).2000（04）.

[8]胡永生.加快發(fā)展高性能窮人計算機——記者胡永生對工程院院士李國杰的專訪[J].計算機與農(nóng)業(yè).2002（01）：4-6.

[9]胡敏.走向高性能運算[J].中國計算機用戶.2003（34）：60.

[10]丁曄，袁斌，陳曉軍.未必永遠跟隨——中國高性能計算機發(fā)展趨勢[J].每周電腦報.2003（24）：34-35.

[11]祝明發(fā).未必永遠跟隨——中國高性能計算機發(fā)展趨勢[J].每周電腦報.2003（40）：96.

[12]朱瑩.淺談高性能計算機的發(fā)展現(xiàn)狀和瓶頸[J].科技情報開發(fā)與經(jīng)濟.2008（18）：123-125.

[13]樊建平.高性能計算機的發(fā)展現(xiàn)狀與趨勢[J].計算機教育.2004

（05）：3-5.

[14]洪文董.高性能計算機的發(fā)展與氣象應(yīng)用[J].計算機工程與應(yīng)用.

2004（05）：32-35.

[15]段樹云.高性能計算機的發(fā)展[J].瀘天化科技.2003（04）：335-336.

[16]王志華.高性能計算機及其相關(guān)技術(shù)研究[J].忻州師范學(xué)院學(xué)報.

2004（05）：117-119.

[17]陳亮.高性能計算機標準開放圖存[J].互聯(lián)網(wǎng)周刊.2006（32）：16.

[18]曾宇，王潔.中國高性能計算機技術(shù)及標準現(xiàn)狀分析[J].信息技術(shù)與標準化.2006（10）：9-12.

[19]華凌.高性能計算機是一個國家綜合科技實力的體現(xiàn) 我國超級計算機顯神威[J].電子展望與決策.2000（06）：29-30.