PFS故障恢复与日志机制研究：Lustre与BeeGFS的不足

本文主要探讨了高性能并行文件系统（PFS）中的故障恢复和日志机制，以Lustre和BeeGFS为例进行深入研究。高性能计算（HPC）对PFS的依赖性显著，然而，由于PFS相对于本地存储或云存储系统的可靠性研究相对较少，实际HPC中心的故障事件凸显了PFS集群存在的问题，强调了对其进行系统分析的紧迫性。 作者首先介绍了一种名为PFAUlT的黑盒故障注入工具，这个工具不改变PFS的内部结构，而是通过预定义的故障模型模拟存储节点故障，以触发故障恢复和日志记录操作，从而测试系统的鲁棒性。通过PFAUlT，研究人员揭示了Lustre和BeeGFS在面对故障时的不同恢复策略和潜在问题。例如，Lustre的LFSCK恢复组件在检测和修复PFS一致性方面存在缺陷，可能导致系统挂起或引发内核恐慌，即便进行了恢复尝试，后续工作负载仍可能出现异常。同样，BeeGFS的BeeGFS-FSCK也显示出类似的恢复问题。 深入剖析后，作者发现这些问题源于系统设计的某些局限性，这促使他们开发出新的补丁集，并将其整合进即将发布的Lustre版本中。文章详细描述了实验过程中产生的大量日志，指出PFS在记录故障时的独特模式和局限性，这些发现有助于社区进一步研究和改进PFS的可靠性。 本文的研究工作受到美国国家科学基金会（NSF）的支持，项目编号包括CCF-1717630/1853714、CCF-1910747和CNS-1943204。研究结果不仅提供了有价值的洞察，还为提升PFS的故障管理和性能优化提供了基础，对于保障HPC系统的稳定性和效率具有重要意义。