假设我在http://www.nersc.gov/users/computational-systems/edison/configuration上的100k内核上运行了4个小时的超级计算机计算，通过网络交换了大约4 PB的数据，并执行了大约4 TB的I /哦 计算都是整数，所以结果是对还是错（没有中间数值错误）。
假设代码正确，我想估计由于硬件故障而导致计算错误的可能性。有什么好的方法可以解决这个问题？是否有足够的资源可以估算出所需的数字？
Answers:
您是否查看了各种亿万亿级报告？艰难的失败在今天并不是什么大问题-当然可以发生，但是它们的发生频率不足以引起严重的担忧。但是据估计，在具有或更多核的百亿亿次级系统上，它们足够频繁，因此需要准备代码以做出适当反应。我相信这些问题已经在关于百亿亿美元路线图的报告中列出。
我的回忆是，在各种故障模式中，内存或处理器内核的单位翻转不是最重要的问题。相反，这是整个节点崩溃的原因，例如由于磁盘故障，操作系统故障等。因此，当前的亿亿级设计都要求将代码的定期检查点指向闪存RAM，最好在节点外传输检查点数据。如果系统遇到一个节点已消失，则代码将需要能够从先前保存的状态即时重新启动，并用系统中其他位置的热启动节点替换该节点。
我猜想，您是从收集DRAM等组件的错误率开始的，就像Google对“野生的DRAM错误：大型现场研究”的这项研究一样，他们发现每年大约有1％的机会得到一个不可纠正的错误。
我不确定这是否是您感兴趣的。我会对无法检测到的错误更感兴趣。无法检测到典型错误检查方法的错误。例如，当您通过光学设备发送数据包时，它们会伴随某种形式的CRC，这使得错误漏失的几率很小。
更新：本白皮书《多核处理器中的在线错误检测和恢复体系结构》讨论了可靠的多核体系结构，但它们也涵盖了系统可靠性的不同方面，并具有参考书目。
是否有足够的资源可以估算出所需的数字？
您可以尝试询问正在计算的群集的管理员。我认为，作为他们验证过程的一部分，他们遇到了估计硬件错误可能性的问题。
听起来很史诗。如果没有人做过这个实验，您可能会考虑运行100k个独立的内核，执行类似的操作，一遍又一遍地刷新sha1输入，看看错误率是多少。（我怀疑这是无法衡量的），但从那里开始，却经常让它们交易哈希链结果，以获取网络错误率。我想这也很小，但我怀疑您可以在几个小时内使用超级集群至少获得几对：)
这种方法可确保每个计算都是正确的，因为哈希对位交换极为敏感，而即使是仅整数的计算，也可能在分支中隐藏错误，即，整个计算不会在每个连续的内存状态上都是椭圆形的。
我一直在努力确保外部集群正确运行代码，该集群的动机是通过提交伪造的结果来作弊。我收敛的解决方案是以某种频率将散列集成到计算中，这使得作弊的效率不及工作。