MPICH2，一个进程的失败将导致所有其他进程崩溃

Question

我使用MPICH2。当我使用mpiexec启动进程时，一个进程的失败将导致所有其他进程崩溃。怎么避免这个？

Answer 1

在MPICH中，有一个名为-disable-auto-cleanup的标志，它会阻止进程管理器在单个进程失败时自动清理所有进程。

但是，MPI本身对容错没有太多支持，而容错工作组正在努力在未来版本的MPI标准中添加。

现在，您可以做的最好的事情就是将默认的MPI错误处理程序从MPI_ERRORS_ARE_FATAL更改为导致所有进程中止，以及其他类似MPI_ERRORS_RETURN的内容，这会将错误代码返回给应用程序并允许它做其他事情。但是，在发生故障后，您不太可能再进行通信，尤其是在您尝试使用集体通信时。