[發(fā)明專利]一種用于機群容錯的系統(tǒng)和方法

有效

• 申請?zhí)枺?/td>: 200810211566.3
• 申請日: 2008-09-19
• 公開（公告）號: CN101377750A
• 公開（公告）日: 2009-03-04
• 發(fā)明（設(shè)計）人: 霍志剛
• 申請（專利權(quán)）人: 中國科學院計算技術(shù)研究所
• 主分類號: G06F11/00
• 分類號: G06F11/00;G06F11/14
• 代理公司: 北京律誠同業(yè)知識產(chǎn)權(quán)代理有限公司
• 代理人: 梁揮;王金寶

1.一種用于機群容錯的系統(tǒng)，所述機群包括網(wǎng)絡(luò)連接的多個結(jié)點，其特征是，該系統(tǒng)包括：

檢查點服務(wù)器，其網(wǎng)絡(luò)連接到所述多個結(jié)點，用于收集并行應(yīng)用的所有進程的信息，根據(jù)進程信息，向結(jié)點發(fā)送監(jiān)控請求，并響應(yīng)來自結(jié)點的檢查點操作請求，執(zhí)行遠程檢查點切取操作，并將檢查點文件保存于檢查點文件服務(wù)器上；在檢查點切取操作完成后，執(zhí)行檢查點恢復(fù)操作；

檢查點文件服務(wù)器，其網(wǎng)絡(luò)連接到所述多個結(jié)點，用于存儲檢查點文件，并在進程恢復(fù)過程中提供檢查點文件訪問支持；

故障監(jiān)測模塊，位于所述結(jié)點上，用于根據(jù)所述監(jiān)控請求來監(jiān)測本地結(jié)點的操作系統(tǒng)的運行狀態(tài)和所述監(jiān)控請求指定進程的指定運行狀態(tài)，以及所述監(jiān)控請求指定的硬件部件的指定狀態(tài)，并在監(jiān)測到故障時向所述檢查點服務(wù)器發(fā)送檢查點操作請求和向被監(jiān)測的并行應(yīng)用的其他進程廣播通知該進程正在進行檢查點操作。

2.根據(jù)權(quán)利要求1所述的一種用于機群容錯的系統(tǒng)，其特征是，所述檢查點服務(wù)器包括：

并行應(yīng)用進程管理器，用于在機群結(jié)點中加載并行應(yīng)用，并收集并行應(yīng)用的所有進程的信息；

并行應(yīng)用注冊管理器，用于注冊并行應(yīng)用的所有進程的信息，并根據(jù)進程信息，向結(jié)點發(fā)送監(jiān)控請求；

檢查點切取模塊，用于響應(yīng)來自結(jié)點的檢查點操作請求，執(zhí)行遠程檢查點切取操作，將檢查點文件保存于檢查點文件服務(wù)器中，并在檢查點切取操作完成后，將檢查點文件的位置和對應(yīng)進程在其并行應(yīng)用中的邏輯序號信息發(fā)送給所述并行應(yīng)用進程管理器；

所述并行應(yīng)用進程管理器還用于在收到所述檢查點文件的位置和對應(yīng)進程的邏輯序號信息后，執(zhí)行進程恢復(fù)操作。

3.根據(jù)權(quán)利要求1或2所述的一種用于機群容錯的系統(tǒng)，其特征是，在檢查點服務(wù)器進行遠程檢查點切取過程中，通過遠程直接內(nèi)存訪問方式獲取出現(xiàn)故障的進程的所有狀態(tài)。

4.根據(jù)權(quán)利要求1或2所述的一種用于機群容錯的系統(tǒng)，其特征是，所述結(jié)點包括：

用于通信及狀態(tài)監(jiān)控的協(xié)處理器；

其中所述協(xié)處理器包括通信系統(tǒng)檢查點模塊，該通信系統(tǒng)檢查點模塊用于實現(xiàn)通信設(shè)備的檢查點切取并將通信設(shè)備的檢查點文件保存到所述檢查點文件服務(wù)器上，以及根據(jù)所述通信設(shè)備的檢查點文件實現(xiàn)通信設(shè)備的斷點恢復(fù)；

其中，所述故障監(jiān)測模塊運行在該協(xié)處理器上。

5.根據(jù)權(quán)利要求4所述的一種用于機群容錯的系統(tǒng)，其特征是，所述協(xié)處理器上還包括：

遠程檢查點服務(wù)模塊，用于響應(yīng)來自所述檢查點服務(wù)器的讀取本地進程狀態(tài)、本地通信設(shè)備的狀態(tài)的請求，和響應(yīng)來自本地結(jié)點的故障監(jiān)測模塊的請求向檢查點服務(wù)器發(fā)出啟動檢查點操作的請求并向檢查點服務(wù)器發(fā)送啟動檢查點操作的請求。

6.根據(jù)權(quán)利要求1或2所述的一種用于機群容錯的系統(tǒng)，其特征是，所述結(jié)點還包括：

主機方處理器，該主機方處理器包括內(nèi)核狀態(tài)監(jiān)控模塊和進程恢復(fù)模塊；

其中，當該所述內(nèi)核狀態(tài)監(jiān)控模塊監(jiān)測到操作系統(tǒng)內(nèi)核狀態(tài)出現(xiàn)故障時，向所述故障監(jiān)測模塊發(fā)送結(jié)點故障恢復(fù)請求；所述故障監(jiān)測模塊在接收到所述結(jié)點故障恢復(fù)請求后，向所述檢查點服務(wù)器發(fā)送檢查點操作請求；

所述進程恢復(fù)模塊用于接收并行應(yīng)用進程管理器發(fā)來的待恢復(fù)進程的檢查點文件的位置和邏輯序號信息，讀取檢查點文件，完成進程恢復(fù)過程。

7.一種用于機群容錯的方法，其特征是，包括如下步驟：

步驟S1，在檢查點服務(wù)器上注冊并行應(yīng)用并向故障監(jiān)測模塊發(fā)送結(jié)點監(jiān)控請求；

步驟S2：故障監(jiān)測模塊在收到監(jiān)控請求后開始監(jiān)測故障；

步驟S3，當故障監(jiān)測模塊監(jiān)測到故障時，向檢查點服務(wù)器發(fā)送檢查點操作請求，然后通過廣播將故障進程正在執(zhí)行檢查點操作這一事件通知被監(jiān)測應(yīng)用中的其它進程；

步驟S4：檢查點服務(wù)器接收到檢查點操作請求后執(zhí)行檢查點切取；

步驟S5：檢查點切取完成后，檢查點服務(wù)器執(zhí)行進程恢復(fù)。

8.根據(jù)權(quán)利要求7所述的用于機群容錯的方法，其特征是，在步驟S2中，所述的監(jiān)測故障的方法包括：

根據(jù)時鐘中斷計數(shù)超出預(yù)定范圍，判斷操作系統(tǒng)故障；

根據(jù)操作系統(tǒng)內(nèi)部接口調(diào)用失敗，判斷操作系統(tǒng)故障；

根據(jù)表征硬件狀態(tài)的參數(shù)超出預(yù)先設(shè)定的范圍，判斷硬件故障；

根據(jù)應(yīng)用進程或后臺服務(wù)進程遇到失敗的系統(tǒng)調(diào)用或不該收到的信號，判斷進程故障。