OpenMPI容错

Question

我有一个在OpenMPI应用程序中实现简单容错的任务。我们遇到的问题是，尽管将MPI错误处理设置为MPI_ERRORS_RETURN，但当我们的某个节点从群集中拔出时，我们会在长时间挂起后在下一个MPI_调用上收到以下错误：

[btl_tcp_endpoint.c:655:mca_btl_tcp_endpoint_complete_connect] connect() failed: Connection timed out (110)

我的看法是，当一个节点通过OpenMPI从网络中丢失时，无法继续在所有其他节点上进行处理。任何人都可以为我确认这个，或者指出我的方向是为了防止btl_tcp_endpoint错误吗？

我们使用的是OpenMPI版本1.6.5。

Answer 1

MPI_ERRORS_RETURN代码路径在Open MPI中未经过充分测试（可能没有很好地实现）。它们根本不是优先事项，因此我们从未在这方面做过太多工作。

对不起。