65、轻量级虚拟机检查点与回滚：保障长时间运行应用的高效执行

轻量级虚拟机检查点与回滚：保障长时间运行应用的高效执行

1. 引言

在当今的数据中心中，机器虚拟化技术得到了广泛应用。应用程序不再运行在物理机上，而是被封装到虚拟机（VM）中，这种隔离的计算模式为应用提供了独立的运行环境。例如，Raddit、Netflix、Airbnb 等知名网站都运行在 Amazon EC2 提供的虚拟机上，Emulab 则为科学计算应用提供了可扩展的平台。

然而，数据中心通常使用不可靠的商用设备，故障成为常态而非例外。服务器崩溃、网络中断和软件挂起等不可预测的底层故障，可能导致虚拟机崩溃，进而造成应用程序中断。对于长时间运行的应用，如科学计算或图像处理，频繁的故障可能导致中间结果丢失，使应用无法完成。

检查点/回滚是一种提高系统可用性的有效技术。它在无故障执行期间定期将应用程序的运行状态保存到持久存储中。发生故障时，系统可以从之前记录的状态恢复，从中间状态继续执行，减少计算损失。对于长时间运行的应用来说，这项技术能防止中间结果丢失，确保应用在一定时间内完成。

但检查点/回滚本身会给应用执行时间带来额外开销，主要体现在停机时间（Downtime）和持续时间（Duration）上。停机时间是指虚拟机在进行检查点或回滚操作时必须暂停的时间，这会直接增加应用执行时间。持续时间则与保存或恢复整个虚拟机状态所需的时间有关，在此阶段应用性能会下降，完成任务所需时间增加。由于虚拟机内存状态较大，保存或恢复整个内存映像需要更多的 IO 资源和时间，导致停机时间和持续时间都很显著。

为了解决这些问题，本文提出了 warmCR，这是一种轻量级的检查点和回滚系统，旨在保证长期应用完成的同时，尽量减少自身对执行时间的开销。