IBM高性能計算機系統(tǒng)一次重大故障分析

摘要 IBM高性能計算機系統(tǒng)承擔著中國氣象局主要氣象氣候業(yè)務科研模式運行，整個系統(tǒng)的數(shù)據(jù)交換網(wǎng)絡是通過HPS(High Performance switch)來實現(xiàn)的。2006年9月21日，IBM高性能計算機系統(tǒng)的HPS網(wǎng)絡發(fā)生故障，導致了科研分區(qū)不能使用，但沒有影響業(yè)務模式系統(tǒng)。文章主要介紹了這次故障現(xiàn)象和解決辦法，分析了故障發(fā)生的原因，并通過對故障的分析總結，探討了目前存在的問題，以及以后的一些工作計劃和建議。

引言

IBM高性能計算機系統(tǒng)承擔中國氣象局主要的天氣氣候業(yè)務科研模式運行，系統(tǒng)在2004年末安裝以來，運行一直比較平穩(wěn)。在整個系統(tǒng)中，數(shù)據(jù)交換是通過IBM HPS(High Performance Switch)網(wǎng)絡實現(xiàn)的，通過SWITCH網(wǎng)絡為用戶的并行作業(yè)提供通信。如果SWITCH網(wǎng)絡出現(xiàn)問題，就會影響模式的運行效率，甚至可以導致整個系統(tǒng)不能使用。在2006年9月21日，科研分區(qū)的SWITCH網(wǎng)絡故障，導致了整個科研分區(qū)的癱瘓，9月24日故障恢復；此次故障對數(shù)值預報系統(tǒng)和動力氣候模式預測系統(tǒng)的業(yè)務模式?jīng)]有影響，只是涉及了科研分區(qū)的用戶和作業(yè)。

1 故障基本情況

1．1 故障現(xiàn)象

2006年9月21日，科研分區(qū)的系統(tǒng)性能下降，用戶作業(yè)的運算速度比較慢，檢查發(fā)現(xiàn)HPS(High Performance Switch)[1]網(wǎng)絡的通信狀態(tài)大面積出現(xiàn)異常，影響了GPFS(General Parallel File System)[2]數(shù)據(jù)文件系統(tǒng)和作業(yè)管理軟件L DLEVEL的正常運行，導致用戶無法使用數(shù)據(jù)空間和正常提交用戶作業(yè)，最終導致了用戶無法使用科研分區(qū)；在SWITCH網(wǎng)絡通信正常后，GPFS文件系統(tǒng)中的有些文件不能正常訪問。

1．2 處理過程

在故障發(fā)生后，為了確保不影響業(yè)務，代寫論文 對系統(tǒng)上運行的業(yè)務模式分析并做應急處理。系統(tǒng)承擔的業(yè)務模式包括數(shù)值預報業(yè)務模式系統(tǒng)和動力氣候模式系統(tǒng)，這些業(yè)務模式都運行在業(yè)務分區(qū)，但是動力氣候模式系統(tǒng)的用戶空間掛接在科研分區(qū)的服務節(jié)點上，為了避免維護科研分區(qū)時影響業(yè)務，緊急切換HACMP(High Available Cluster Multi—Processing)，使文件系統(tǒng)掛接在業(yè)務分區(qū)。

在確保業(yè)務可以穩(wěn)定運行后，由于當時用戶已無法使用科研分區(qū)，因此首先申請對科研分區(qū)進行停機維護，然后分析并解決故障，處理過程如下。

(1)分析HPS網(wǎng)絡通信數(shù)據(jù)，發(fā)現(xiàn)F45一S11和F46一S07的兩塊主板上的芯片內部通信不正常，決定更換這兩塊主板；但由于備件新?lián)p的原因，只有一塊主板可用，只更換了F46一S07 SWITCH的主板。

(2)在重新加電啟動完畢后，仍有大量的HPS網(wǎng)絡不能通信，導致GPFS不能穩(wěn)定工作，用戶無法正常提交作業(yè)。

(3)用SWITCH管理界面檢查SWITCH狀態(tài)時，顯示大量節(jié)點存在光纖卡故障的報錯，但光纖卡的狀態(tài)指示燈顯示正常，更換了5塊光纖卡進行檢測，沒有作用，故排除了大批量光纖卡故障的可能。

(4)收集SWITCH的SNAP數(shù)據(jù)傳給美國實驗室，對數(shù)據(jù)進行分析；經(jīng)過數(shù)據(jù)的多次收集傳遞，美國實驗室SWITCH產(chǎn)品專家對底層數(shù)據(jù)進行分析后，建議對F20、F21、F22、F24、F28、F30、F34、F36、F38、F45、F46、F47、F48、F49、F50機柜進行電源微碼刷新，刷新為統(tǒng)一的26A6版本后，SWITCH網(wǎng)絡恢復正常。

(5)系統(tǒng)啟動后，對科研分區(qū)進行檢查，發(fā)現(xiàn)不能正常訪問GPFS文件系統(tǒng)，3個文件系統(tǒng)均報I／O讀的錯誤，但可以正常寫入數(shù)據(jù)；fsl可以用mmfsck命令進行修復，但fs2和fs3均各有一個NsD(Net—work Shared Disk)的狀態(tài)為“down”狀態(tài)，然后手工啟動GPFS文件系統(tǒng)，整個系統(tǒng)恢復正常。

2 故障原因分析

2．1 控制信號傳輸過程

從圖1可見，IBM 高性能計算機系統(tǒng)是通過硬件控制終端HMC(Hardware Management Console)對主機和SWITCH的硬件進行控制，通過HMC上的SNM (SWITCH Network Manager)軟件管理HPS，在HMC上啟動FNMD(Federation Network Manager Daemon)進程，實現(xiàn)對HPS網(wǎng)絡的配置、初始化、監(jiān)視、控制、恢復、分析和診斷。此功能與節(jié)點是否安裝操作系統(tǒng)無關，因為這些指令直接由HMC發(fā)起，控制指令都是通過電源傳輸?shù)模灰娫凑?，就會響應?zhí)行，SWITCH的拓撲結構是在電源啟動的過程中通過自檢獲得的。

每個HMC系統(tǒng)有一個RS232串口連接CSP(Common Service Processor)[2]，代寫畢業(yè)論文實現(xiàn)對主機的控制和管理，如開機、關機、關閉系統(tǒng)、重新啟動等；有兩個RS422串口分別連接節(jié)點和SWITCH機柜的兩個BPA(Bulk Power Assembly)電源，實現(xiàn)對BPA的監(jiān)視和firmware管理。所有的HPS都是通過BPA提供電源，對于每一個SWITCH，通過HMC將信號發(fā)送給BPA，再通過BPA 將控制信息通過SWITCH的DCA(Distributed Converter Assembly)電源傳送給SWITCH，來實現(xiàn)對SWITCH的管理。

2．2 SWITCH初始化實現(xiàn)的功能

在啟動SWITCH之前，首先要確保HMC已經(jīng)正常啟動；在SWITCH 機柜加電后，由SSP(SWITCH Service Processor)控制SWITCH的加電過程，在每一個SWITCH芯片的寄存器中記錄本地以及相鄰芯片的機柜號、端口號等信息。

在節(jié)點機柜加電后，每個SNI芯片寄存器中保存自己的機柜號和GX-BUS信息，并將這些信息傳輸給相鄰的SNI芯片寄存器。

由HMC節(jié)點啟動FNM進程，對所有的硬件控制器初始化，配置FNM 網(wǎng)絡；網(wǎng)絡配置好以后對FNM初始化，F(xiàn)NM 將與每個激活的SWITCH和SNI網(wǎng)絡部件通信；將FRAME、CHIP、PORT、ROUTE、SWITCH等信息都保存在寄存器中，節(jié)點轉入LPAR狀態(tài)后將信息保存在內存中，SWITCH初始化完畢。

2．3 故障原因分析

在2006年6月到9月期問，科研分區(qū)共更換了7塊BPA機柜電源、8塊SWITCH DCA電源、8塊p655 DCA節(jié)點電源。

由于IBM高性能計算機系統(tǒng)的有些電源模塊被更換，并且有些備件號發(fā)生了變化，雖然新備件可以實現(xiàn)對原備件的替代功能，但是新舊電源備件的微碼版本部分存在不一致；而SWITCH的控制信息是通過HMC—BPA—DCA進行傳送，電源相關部件微碼版本的不一致影響了信息的正常傳送，進而影響SWITCH的網(wǎng)絡初始化，不能得到正確的網(wǎng)絡拓撲結構，導致不能建立正常的SwITCH通路；而通過刷新一次機柜電源BPA同版本微碼，使電源模塊上的通信進程狀態(tài)重新初始化(歸零操作)，清除了電源模塊上的錯誤通信信息記錄，可以將控制信息正確傳送，重新建立了正確的網(wǎng)絡通路。

GPFS文件系統(tǒng)不能正常讀寫主要是由于SWITCH網(wǎng)絡通信不穩(wěn)定，GPFS的通信頻繁發(fā)生中斷，所以GPFS的文件系統(tǒng)也會頻繁異常上線或離線(mount或umount狀態(tài))，使GPFS文件系統(tǒng)控制的有些硬盤上的NSD(Network Shared Disk)控制信息不一致，GPFS為了保證數(shù)據(jù)的安全性，系統(tǒng)自動對此NSD進行了隔離操作。

3 故障事件的分析和啟發(fā)

從這次發(fā)生的故障情況來看，由于在系統(tǒng)本身設計和日常維護的過程中考慮了高可靠性和對于用戶數(shù)據(jù)的一致性管理，因此在科研分區(qū)出現(xiàn)問題的情況下，并沒有影響業(yè)務作業(yè)的正常運行，這是對系統(tǒng)高可靠性的一次檢驗；但同時通過這次故障事件，也發(fā)現(xiàn)了我們的許多不足，并且也為日常維護提供了一個經(jīng)驗和教訓。

3．1 系統(tǒng)可靠性驗證

由于在系統(tǒng)設計上考慮了用戶文件系統(tǒng)高可用性的設計以及全局的用戶環(huán)境一致性，代寫職稱論文 同時在日常維護工作中對用戶文件系統(tǒng)都做了備份，因此對業(yè)務用戶沒有造成影響。

3．2 系統(tǒng)本身的問題

SWITCH設備故障率比較高：從系統(tǒng)投入運行以來，SWITCH設備的故障率就比較高。2006年5月1日到10月31日期問，科研分區(qū)就出現(xiàn)了39次SWITCH硬件故障，其中光纖卡故障22次，銅卡故障6次，主板故障1次、電源故障10次；業(yè)務分區(qū)有17次SWITCH硬件故障，其中光纖卡故障8次，電源故障9次。

故障診斷定位難：在對SWITCH設備維護時，光纖卡和銅卡的故障診斷相對容易，故障現(xiàn)象明顯，有冗余連接，一般不影響系統(tǒng)和用戶的正常使用；而SWITCH背板故障及電源微碼不一致等故障，則不容易定位具體的故障點，對系統(tǒng)的影響也比較大。

3．3 日常維護及管理問題

日常維護不夠深入：在日常的維護過程中，主要還是停留在處理現(xiàn)象明顯的軟硬件故障，并沒有對系統(tǒng)的一些潛在故障進行分析研究，而且對系統(tǒng)了解不夠深入，在出現(xiàn)大的故障時不知如何判斷處理。

管理流程不完善：從本次故障來看，備件不能滿足在重大情況下的處理要求；廠家技術支持不暢通，響應速度慢，這都直接延長了故障恢復時問。

4 后續(xù)工作和建議

此次故障發(fā)生后，陸續(xù)完成和制定了一些工作計劃。

(1)完成了業(yè)務分區(qū)電源微碼的檢查。察看了業(yè)務分區(qū)SWITCH的微碼版本，發(fā)現(xiàn)也存在需要重新安裝的警告提示，但是由于報錯的機柜比較少，并沒有對系統(tǒng)造成影響，目前已經(jīng)完成對業(yè)務分區(qū)電源微碼的統(tǒng)一刷新。

(2)制定了IBM 高性能計算機系統(tǒng)業(yè)務應急備份方案。當遇到緊急情況時，能夠快速評估當前狀況并進行處理。

(3)完成了系統(tǒng)存儲資源的擴充。擴大了目前用戶的存儲資源，并滿足了業(yè)務應用系統(tǒng)備份的資源需求。

(4)完成了HPGS系統(tǒng)的微碼升級。2007年4月已經(jīng)將整個系統(tǒng)HPS的Service Pack版本級別升級到21。

(5)加強管理。督促廠家人員完善技術緊急支持的響應速度和流程，保證技術支持的暢通；同時要確保備件的充足可用。

(6)加強維護手段和交流。在日常維護中，代寫工作總結 不僅是滿足于簡單的問題解決，需要深入分析診斷，找到問題的真正原因，避免潛在的隱患故障；同時要多通過學習以及技術交流，加深對全系統(tǒng)的了解，不斷提高維護水平，提高自己的故障解決能力。

5 結束語

此次故障雖然沒有對我們的業(yè)務造成影響，但是通過此次故障情況，我們看到了我們還存在的許多不足，需要我們在以后的工作中加以改進。通過不斷地分析和總結，維護好我們的系統(tǒng)，保持系統(tǒng)高效穩(wěn)定的運行。

參考文獻

[1] IBM，Inc．An Introduction to the New IBM F．server pS~#39;ie8 High Performance SWITCH [EB／OL]．http：//www．redbooks．ibm．com／Redbooks．nsf／RedbookAbstracts／SG246978．htm1．

[2] IBM，Inc．General Parallel File System Administration and Pro．gramming Reference[EB／OL]．http：//publib．boulder．ibm．comAnfocenter／dresetr／vxrxAndex．jsp?topic=／corn．ibm ．clus—ter．gpfs．doc／gpfsbooks．htm1．

更多計算機與外設信息請關注：21ic計算機與外設頻道