障害回復，トレース，デバッグ

リモートカーネルの失敗

使用中のリモートカーネルには，ハードウェア，ネットワーク，ソフトウェアの問題により，いつでも障害が起こり得る．リモートカーネルの失敗は，次回 Parallel Computing Toolkit がカーネルにコマンドを送ろうとしたとき，またはカーネルから結果を読み込もうとしたときに知らされる．ユーザには警告メッセージParallel::rdeadが表示されてリモートカーネルの失敗が知らされる．

失敗したカーネルに割り当てられていたプロセスがある場合，そのようなプロセスは失われる．このようなプロセスにWaitを使っていたものがあったら，そのプロセスは戻ることがないため，プログラムは永久に終了しない．

Parallel Computing Toolkit はリモートカーネルに送信されたコマンドを追跡しているので，リモートカーネルが失敗したら，これらのコマンドを利用できる別のリモートカーネルに再割当てすることができる．あるいは，待機中のプロセスを終了し，失敗を表す$Failedを結果として返すだけの場合もある．選択される動作は変数$RecoveryModeの値で決まる．

可能な障害回復モード

ReQueue回復モードでは，1つでも利用できるカーネルがある限り，計算を終了することができる．しかし，リモート計算が副次的な影響を及ぼしていたり，計算が特定の数の利用できるリモートカーネルに依存していたりする場合は，正しくない結果が返されることもある．副次的な影響は，通常仮想共有メモリを使っている場合に現れる．障害が生じたカーネルのプロセスが共有リソースを独占して解放しなかった場合にはデッドロックが起る可能性もある．

Abandon回復モードを使うと独自の障害回復メソッドを実装することができる．

障害回復はプロセスがParallelSubmit[]で始まり，WaitAll[]で集められる場合にのみ影響する．ParallelEvaluate[]等，他の並列コマンドは失敗したリモートカーネルを扱うことができないので，失敗したら常に$Failedを返す．

トレースとデバッグ

並行プログラムのデバッグは厄介である．Parallel Computing Toolkit は計算の進捗状況を監視するためのトレース機能を提供する．これらの機能を使うには，ツールキット自体をロードする前にデバッグパッケージをロードしなければならない．

デバッグ関数

トレーサ

イベントをトレースする

特定のイベントを見るには，SetOptions[$Parallel,Tracers{tracers …}]で希望のイベントのクラスを指定する．その後は選択したイベントが生じるたびにメッセージが表示される．

例えば，ParallelMapは内部でSendとReceiveを使うため，計算がどのように分割されてリモートカーネルに送られるのかが分かる．

トレースをオフにするには，トレーサに空のリストを指定する．

トレースイベントを保存する

ツールキットではトレースイベントを表示する代りに，後で分析に使えるようにリストに保存することができる．まず，トレースシステムがイベントを保存するように設定し，トレースリストを初期化する．

前述のように，トレースするイベントを指定する．

計算を実行する．

イベントのリストがTraceList[]で利用できるようになった．これを見る最もよい方法はTableFormを使う方法である．

リストをリセットするにはnewTraceList[]を使い，トレースを終了するには前述のようにオフにする．

トレースイベントを表示するように戻すには以下を使う．

トレースイベントの形式

WSTP

MathLink トレースメッセージについては「リモートカーネルを開始する」に記述されている．

SendReceive

SendReceiveトレースメッセージは

または

という形式を持つ．ここで kernel は使用するカーネル，expr は送受信される式，n はカーネルのキューの大きさである．

Queueing

Queueingトレースメッセージは以下の形式のいずれかを持つ（pid はプロセスID，slave はリモートカーネル）．

• プロセスは（ParallelSubmit[]で）キューに入れられている．n はキューの長さである．

• プロセスはリモートカーネルに送られている．

• プロセスは終了し，リモートカーネルから受信された．

• プロセスはアプリケーションに戻された（WaitAll[]またはWaitOne[]内）．

SharedMemory

SharedMemoryトレースメッセージは次の形式を持つ．

ここで kernel は共有変数にアクセスしたカーネル，access は変数がどのようにアクセスされたかについての記述である．

• 変数 var の値が要求され，val が返された．

• リモートカーネルが変数 var の一部を val に変更するように求めた．新しい値 val が返された．

• 変数 var の一部の値が要求され，val が返された．

• リモートカーネルが変数 var を val に変更するように求めた．

• リモートカーネルが変数 var を val に設定して変数 var への独占的なアクセスを求めた．var は現在使われていないため要求は認められた．

• リモートカーネルが変数 var を val に設定して変数 var への独占的なアクセスを求めた．var はすでに他のプロセスが設定した別の値 old を持っていたため，要求は拒否された．

• リモートカーネルは変数 var への独占的なアクセスを解放した．


共有の下向きの値については，前の例の式 var は，f[…]等のように頭部が共有の下向きの値である通常の式となる．

並列プログラムの放棄

ローカル（マスター）カーネルは並行計算の途中で中断および放棄することができる．すでにリモートカーネル上にある評価は引き続き実行される．放棄の後，Waitを使ってまだキューにあるプロセスを待つ，ResetQueuesを使ってそれらを廃棄する，AbortKernels[]を使ってリモートカーネルを放棄するのいずれかを行う．

ParallelEvaluate[]等，その他の操作をすべて放棄した場合は，続けてAbortKernels[]を使わなければならない．

リモートカーネルの中断およびリセットからの回復

リモートカーネルを中断するための信頼できる方法は必ずしも存在するとは限らない．ResetQueues[] は中断を避けるために，実行中のすべての計算が正常に終了するのを待つ．これに時間がかかりすぎる場合は，マスターカーネルの放棄をもう一度試みてからAbortKernels[]を使う．

AbortKernels[]は応答しないリモートカーネルをすべて放棄しようとする．反応に失敗したカーネルは閉じられる．

リモートカーネルが計算を行っている途中でローカルカーネルを終了したら，リモートカーネルは実行し続けることがあるので，放棄するか，適切なオペレーティングシステムコマンドで終了するかしなければならない．