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)的數據交換網絡是通過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，數據交換是通過IBM HPS(High Performance Switch)網絡實現(xiàn)的，通過SWITCH網絡為用戶的并行作業(yè)提供通信。如果SWITCH網絡出現(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；此次故障對數值預報系統(tǒng)和動力氣候模式預測系統(tǒng)的業(yè)務模式沒有影響，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]數據文件系統(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據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網絡通信數據，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數據傳給美國實驗室，對數據進行分析；經過數據的多次收集傳遞，美國實驗室SWITCH產品專家對底層數據進行分析后，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，但可以正常寫入數據；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的，只要電源正常，就會響應執(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 網絡；網絡配置好以后對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的網絡初始化，不能得到正確的網絡拓撲結構，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絡通路。

GPFS文件系統(tǒng)不能正常讀寫主要是由于SWITCH網絡通信不穩(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為了保證數據的安全性，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據的一致性管理，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