研究人员提出了 Relight，这是一个框架，为基于任务的程序提供自动分布式检查点保存，并配备高效的快速前向重放机制以完全恢复作业。与需要手动数据迁移的传统方法不同，Relight 利用基于任务的计算的结构来捕获和恢复状态，同时只需对代码进行最小化修改。

  • 提供与原始未修改代码相当的检查点保存性能和可扩展性。
  • 支持在 Piz Daint 超级计算机的多达 512 个节点上运行。
  • 消除了用户在检查和恢复操作期间手动管理数据迁移的需求。

这种方法通过自动化状态管理，减轻了长运行程序中与不确定性错误、硬件故障和作业时间限制相关的风险。