17、基于状态接口交互分析的异常故障检测

基于状态接口交互分析的异常故障检测

在分布式系统中，随着系统资源和应用规模与复杂度的指数级增长、软硬件配置的不断变化以及异构服务的部署，有效的故障检测、分析和恢复是一个具有挑战性的研究问题。尽管软硬件技术取得了巨大进步，但分布式系统中仍存在许多不确定性和不可预测的操作，如网络故障、间歇性软件故障等。本文将介绍一种创新的故障检测方法，通过监测系统组件间的交互来识别硬件或软件故障，并确定故障源。

1. 相关工作

故障检测和分析一直是分布式系统及其应用中的活跃研究领域。以下是不同类型的故障检测技术：
- 硬件技术
- 同时冗余线程（SRT） ：利用同时多线程（SMT）的多个硬件上下文，提供高性能的瞬态故障覆盖，通过硬件组件的主动调度提高性能，并减少验证开销。
- 现代超标量乱序数据路径 ：修改超标量处理器的微架构组件，验证复制线程的冗余结果，使用分支回退机制进行故障恢复。
- 商业容错系统 ：如Compaq Non - Stop Himalaya采用“锁步”技术，在两个处理器上运行相同程序并比较结果。
- 软件技术
- PROFiT技术 ：通过软件控制在细粒度上调节可靠性阶段，根据程序配置文件确定冗余开关位置。
- 错误检测重复指令（EDDI） ：复制所有指令并插入检查指令进行验证。软件机制具有低成本和高故障覆盖率，但存在性能下降和无法直接检查微架构组件的问题，因此出现了混合