研究者らは、タスクベースのプログラムに対して自動分散チェックポイントを備え、ジョブの完全復旧のための効率的な高速フォワードリプレイ機構を提供するフレームワークであるRelightを発表しました。従来の手法が手動データ移行を必要とするのに対し、Relightはタスクベース計算の本質的な構造を活用し、最小限のコード変更で状態を取得および再開します。

  • 元の未修正コードと同等のチェックポイント性能とスケーラビリティを提供します。
  • Piz Daintスーパーコンピュータの最大512ノードでの運用をサポートします。
  • チェックポイントと再開操作中にユーザーが手動でデータ移行を管理する必要を排除します。

このアプローチは、長時間実行プログラムにおける非決定論的バグ、ハードウェア障害、ジョブの実行時間制限に関連するリスクを、状態管理の自動化によって軽減します。