劉偉峰

(陜西工商職業(yè)學(xué)院，陜西 西安 710119 )

0 引言

大規(guī)模并行計算機(jī)系統(tǒng)簡稱MPP系統(tǒng)，屬于巨型計算機(jī)系統(tǒng)，主要由大量處理器構(gòu)成，通過采用大量的處理器與服務(wù)器來提高計算機(jī)系統(tǒng)運行速度和質(zhì)量，該系統(tǒng)最早是在20世紀(jì)60年代研發(fā)的，最初大規(guī)模并行計算機(jī)系統(tǒng)主要應(yīng)用在氣象領(lǐng)域、人類學(xué)領(lǐng)域、醫(yī)學(xué)領(lǐng)域以及軍事領(lǐng)域。大規(guī)模并行計算機(jī)系統(tǒng)主要利用有效的并行算法實現(xiàn)對計算機(jī)數(shù)據(jù)的運算，其具有規(guī)模大、運行速度快、傳輸速度快以及響應(yīng)時間短等特點，目前已經(jīng)被廣泛應(yīng)用到多個領(lǐng)域。

雖然大規(guī)模并行計算機(jī)系統(tǒng)的應(yīng)用為計算機(jī)用戶帶來了更多的便利，并且也取得了良好的應(yīng)用效果，但是由于大規(guī)模并行計算機(jī)系統(tǒng)硬件結(jié)構(gòu)比較復(fù)雜，所涉及的硬件數(shù)量比較多，長時間處于高速運轉(zhuǎn)狀態(tài)下，大規(guī)模并行計算機(jī)系統(tǒng)硬件設(shè)備非常容易出現(xiàn)故障，當(dāng)其中任意一個硬件設(shè)備出現(xiàn)故障，就會影響到大規(guī)模并行計算機(jī)系統(tǒng)的操作和使用，甚至出現(xiàn)系統(tǒng)癱瘓。

為了解決該問題，相關(guān)研究人員提出了大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測方法，現(xiàn)有的檢測方法主要為基于人工智能的系統(tǒng)硬件故障檢測方法，該方法在實際應(yīng)用中運算量比較大，并且所使用的故障檢測算法不夠合理，對不同類型的系統(tǒng)硬件故障檢測準(zhǔn)確率較低，已經(jīng)無法滿足大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測需求，為此本文提出基于機(jī)器學(xué)習(xí)的大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測方法。

1 基于機(jī)器學(xué)習(xí)的大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測方法設(shè)計

1.1 大規(guī)模并行計算機(jī)系統(tǒng)硬件運行數(shù)據(jù)采集

首先對大規(guī)模并行計算機(jī)系統(tǒng)硬件運行狀態(tài)數(shù)據(jù)進(jìn)行采集，此次采用了NSFGS/2SF6A型號無線傳感器對系統(tǒng)硬件運行數(shù)據(jù)進(jìn)行采集：將NSFGS/2SF6A無線傳感器安裝在系統(tǒng)硬件環(huán)境中，大規(guī)模并行計算機(jī)系統(tǒng)的硬件主要為服務(wù)器和處理器，因此對每一類硬件設(shè)備安裝一個相應(yīng)的無線傳感器，通過并聯(lián)將NSFGS/2SF6A無線傳感器與系統(tǒng)硬件設(shè)備電源電路連接在一起，根據(jù)實際情況對NSFGS/2SF6A無線傳感器的掃描周期、頻率、讀取模式等技術(shù)參數(shù)進(jìn)行設(shè)置，通過I/S通信協(xié)議將大規(guī)模并行計算機(jī)系統(tǒng)硬件運行數(shù)據(jù)上傳到NSFGS/2SF6A無線傳感器數(shù)據(jù)庫中，以此實現(xiàn)系統(tǒng)硬件數(shù)據(jù)采集。

1.2 故障樣本提取

在實際中，大規(guī)模并行計算機(jī)系統(tǒng)硬件故障表現(xiàn)為硬件溫度升高、硬件電源短路或者斷路、硬件設(shè)備運轉(zhuǎn)速度下降等，因此選取大規(guī)模并行計算機(jī)系統(tǒng)硬件溫度、運行速度、電源電流作為故障特征量樣本，對采集到的數(shù)據(jù)中3種特征量不對稱數(shù)據(jù)進(jìn)行處理和分析，其過程如下。

1)將采集到的硬件運行數(shù)據(jù)中的無效數(shù)據(jù)、殘缺數(shù)據(jù)以及重復(fù)數(shù)據(jù)進(jìn)行剔除，并按照溫度、電流、運行參數(shù)等類別將剩余數(shù)據(jù)進(jìn)行分類處理，從中提取到除時間類以外的3個特征量數(shù)據(jù)，將3個特征量的數(shù)據(jù)區(qū)間進(jìn)行歸一化處理，最終為-1-1區(qū)間[1]。

2)劃分系統(tǒng)硬件溫度變化區(qū)間、運行速度變化區(qū)間以及電源電流變化區(qū)間，區(qū)間范圍為大規(guī)模并行計算機(jī)系統(tǒng)硬件設(shè)備初始溫度、運行速度、電源電流到最大運行溫度、速度以及電源電流量，并且根據(jù)實際情況設(shè)定溫度閾值、速度閾值以及電源電流閾值[2]。

3)按照上述區(qū)間設(shè)定將符合要求的數(shù)據(jù)進(jìn)行提取，并且將特征量數(shù)據(jù)樣本按照時間進(jìn)行排序，以此完成故障樣本提取。

1.3 基于機(jī)器學(xué)習(xí)的故障識別

在上述基礎(chǔ)上，利用機(jī)器學(xué)習(xí)技術(shù)對提取到的系統(tǒng)硬件故障樣本進(jìn)行綜合分析，對大規(guī)模并行計算機(jī)系統(tǒng)硬件故障進(jìn)行診斷識別。由于大規(guī)模并行計算機(jī)系統(tǒng)硬件故障數(shù)據(jù)在初始空間中是非線性不可分的，因此首先利用機(jī)器學(xué)習(xí)技術(shù)將故障數(shù)據(jù)進(jìn)行空間映射，將輸入到機(jī)器學(xué)習(xí)模型中的數(shù)據(jù)映射到高維特征向量空間中，將系統(tǒng)硬件無故障時的運行數(shù)據(jù)一并輸入到機(jī)器學(xué)習(xí)模型中，進(jìn)行學(xué)習(xí)和訓(xùn)練，提取到大規(guī)模并行計算機(jī)系統(tǒng)硬件最大溫度誤差、運行速度誤差以及電源電流誤差，將3種誤差進(jìn)行數(shù)字量處理，轉(zhuǎn)化為大規(guī)模并行計算機(jī)系統(tǒng)硬件最大允許誤差，該過程用公式表示如下:

(1)

公式(1)中，Wn表示大規(guī)模并行計算機(jī)系統(tǒng)中第n個硬件設(shè)備的最大允許誤差；n表示大規(guī)模并行計算機(jī)系統(tǒng)中硬件設(shè)備數(shù)量；w1表示系統(tǒng)硬件設(shè)備最高運行溫度；w2表示系統(tǒng)硬件設(shè)備常規(guī)溫度；r1表示系統(tǒng)硬件設(shè)備最高運行速度；r2表示系統(tǒng)硬件設(shè)備常規(guī)運行速度；q1表示系統(tǒng)硬件設(shè)備最大電源電流；q2表示系統(tǒng)硬件設(shè)備常規(guī)電源電流[3]。

利用上述公式計算出硬件設(shè)備的最大允許誤差，然后將待分析的系統(tǒng)硬件故障特征量樣本輸入到機(jī)器學(xué)習(xí)模型中，計算到當(dāng)前大規(guī)模并行計算機(jī)系統(tǒng)硬件的溫度誤差、運行速度誤差以及電源電流誤差[4]。將其與公式(1)計算結(jié)果進(jìn)行對比，判斷系統(tǒng)硬件是否出現(xiàn)故障，其公式如下:

(2)

公式(2)中，w表示提取到的溫度特征量數(shù)據(jù)中最高溫度值；w*表示提取到的溫度特征量數(shù)據(jù)平均值；r表示提取到的運行速度特征量數(shù)據(jù)中最大運行速度值；r*表示提取到的運行速度特征量數(shù)據(jù)平均值；q表示提取到的電流特征量數(shù)據(jù)中最大電流值；q*表示提取到的電流特征量數(shù)據(jù)平均值[5]。

利用上述公式對提取到的故障特征樣本進(jìn)行分析，如果上述公式成立，則說明大規(guī)模并行計算機(jī)系統(tǒng)硬件設(shè)備存在故障；如果上述公式不成立，則說明大規(guī)模并行計算機(jī)系統(tǒng)硬件設(shè)備不存在故障，以此實現(xiàn)基于機(jī)器學(xué)習(xí)的大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測。

2 實驗論證分析

以某大規(guī)模并行計算機(jī)系統(tǒng)為實驗對象，該計算機(jī)系統(tǒng)包括50個硬件設(shè)備，其中有35個服務(wù)器和25個處理器，該大規(guī)模并行計算機(jī)系統(tǒng)使用時間比較長，部分硬件已經(jīng)出現(xiàn)老化現(xiàn)象，利用此次設(shè)計方法與傳統(tǒng)方法對該大規(guī)模并行計算機(jī)系統(tǒng)硬件設(shè)備故障進(jìn)行檢測。

實驗共在該系統(tǒng)硬件環(huán)境中安裝了4個無線傳感器，其中2個無線傳感器負(fù)責(zé)系統(tǒng)處理器運行數(shù)據(jù)采集，另外2個無線傳感器負(fù)責(zé)系統(tǒng)服務(wù)器硬件運行數(shù)據(jù)采集，無線傳感器的掃描周期設(shè)定為2.36 ns，掃描頻率設(shè)定為3.66 Hz，共采集到500份數(shù)據(jù)樣本，按照上文，對采集到的系統(tǒng)硬件運行數(shù)據(jù)樣本進(jìn)行處理和分析，提取到系統(tǒng)硬件故障特征量樣本區(qū)間，如表1所示。

表1 大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測情況

實驗共對大規(guī)模并行計算機(jī)系統(tǒng)硬件檢測3次，檢測的硬件設(shè)備數(shù)量為150個，隨機(jī)抽取6個系統(tǒng)硬件設(shè)備檢測結(jié)果作為實驗數(shù)據(jù)，記錄該6個系統(tǒng)硬件設(shè)備在3次檢測中的故障誤差數(shù)量，計算大規(guī)模并行計算機(jī)系統(tǒng)故障檢測準(zhǔn)確率，利用電子表格對2種方法故障檢測準(zhǔn)確率進(jìn)行記錄，如表2所示。

表2 兩種方法不同故障檢測準(zhǔn)確率對比

從表2數(shù)據(jù)可以看出，此次設(shè)計方法對于大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測的準(zhǔn)確率比較高，最高為100%，說明檢測結(jié)果與大規(guī)模并行計算機(jī)系統(tǒng)硬件故障完全一致；而傳統(tǒng)方法對于大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測的準(zhǔn)確率最大僅為78.69%，遠(yuǎn)遠(yuǎn)小于設(shè)計方法，這是因為此次設(shè)計方法采用了機(jī)器學(xué)習(xí)技術(shù)，通過機(jī)器學(xué)習(xí)技術(shù)對系統(tǒng)硬件故障特征進(jìn)行迭代計算分析，可以將誤差降到最低。實驗證明：此次設(shè)計方法在檢測精度方面優(yōu)于傳統(tǒng)方法，具有較高的有效性和可靠性。

3 結(jié)語

此次結(jié)合大規(guī)模并行計算機(jī)系統(tǒng)硬件結(jié)構(gòu)特征，以及傳統(tǒng)故障檢測方法存在的弊端，采用機(jī)器學(xué)習(xí)計算設(shè)計了一種新的故障檢測方法，用于大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測，有效提高了大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢測精度，能夠為大規(guī)模并行計算機(jī)系統(tǒng)硬件故障檢修以及運維提供準(zhǔn)確的數(shù)據(jù)依據(jù)，為大規(guī)模并行計算機(jī)系統(tǒng)穩(wěn)定運行提供了技術(shù)保障。