An Efficient and Scalable Approach for Implementing Fault-Tolerant DSM Architectures

Distributed Shared Memory (dsm) architectures are attractive to execute high performance parallel applications. Made up of a large number of components , these architectures have however a high probability of failure. We propose a protocol to tolerate node failures in two classes of dsm architectures: Cache Only Memory Architectures (coma) and Distributed Virtual Shared Memory (svm) systems. The proposed solution is based on backward error recovery and consists of an extension to the existing coherence protocols to manage data used by processors for the computation and recovery data, used for fault tolerance. The implementation of the protocol in a coma architecture has been evaluated by simulation. The protocol has also been implemented in a svm system on a network of workstations. Both simulation results and measurements show that our solution is eecient and scalable. Une approche eecace et extensible pour mettre en uvre des architectures a m emoire partag ee r epartie tol erantes aux fautes R esum e : Les architectures a m emoire partag ee r epartie sont attrayantes pour l'ex ecution d'applications parall eles a haute performance. Compos ees d'un grand nombre d' el ements, ces architectures ont cependant une probabilit e de d efaillance tr es elev ee. Nous proposons un protocole reposant sur le retour arri ere, pour to-l erer les d efaillances des nnuds dans deux classes d'architectures a m emoire par-tag ee r epartie : les Cache Only Memory Architectures (COMA) et les syst emes a m emoire virtuelle partag ee (MVP). Sa conception repose sur l'exploitation des ca-ract eristiques des architectures consid er ees qui permet de stocker les donn ees de r ecup eration, celles restaur ees en cas de retour arri ere, en m emoire vive assurant un etablissement et une restauration rapide de points de r ecup eration tout en evitant le d eveloppement de mat eriel sp eciique co^ uteux. La solution propos ee est fond ee sur un protocole de r ecup eration arri ere et consiste en une extension du protocole de co-h erence pour g erer a la fois les donn ees utilis ees par les processeurs et les donn ees de r ecup eration. L'impact de l'utilisation du protocole dans une architecture COMA a et e evalu e par simulation. Le protocole a egalement et e mis en uvre au sein d'une m emoire virtuelle partag ee sur un r eseau de stations de …