企业高性能平台运行风险分析及应对策略

雷静+商琴+林锐+宗丹

摘要：本文探讨了高性能计算平台的风险分析和应对策略。从硬件、数据、应用三个主要方面分析了高性能计算平台存在的潜在风险。并针对各类风险，结合工作实际经验，提出了多项应对措施，对提升高性能计算平台的系统安全有重要作用[1]。

关键词：高性能计算平台；系统安全；硬件风险；数据风险

中图分类号：TP311.5 文献标识码：A 文章编号：1007-9416（2017）09-0185-02

1 引言

高性能计算平台是支撑船舶工程研制的高复杂度的信息化系统，随着应用的深入，实际运维和管理中面临许多与高性能计算模式和应用相关的风险[2]。

如何有效管理高性能计算平台系统风险，需要对风险的影响进行有效分析与评估，制定有效的风险应对策略，提高高性能计算平台的可靠性、有效性，保障系统的安全稳定运行。作者梳理了高性能计算平台的系统状态，并从硬件、应用及数据等几个方面分析了系统运行风险及风险应对策略。

2 高性能计算平台简介

本单位高性能计算平台功能架构包含：

2.1 基础设施层

（1）硬件设备层。共计50台套设备，其中管理节点9台（管理节点、IO节点、统计数据库节点等）、计算节点32台（刀片计算节点30台、胖节点2台）、软件许可服务器3台、GPU 2台、虚拟服务器3机、存储1台。

（2）系统软件层。包含并行调度系统、远程二维/三维可视化管理系统、并行文件系统、集群渲染调度系统、高性能计算平台监控软件。

（3）共享软件资源层。包含仿真前处理工具、仿真求解工具、仿真后处理工具。

2.2 流程管理层

包含仿真业务流程、平台及工具集成、仿真数据管理。

2.3 专业应用层

覆盖本单位研发过程的主要专业，如总体、船体、结构、动力等，如图1所示。

3 高性能计算平台风险分析

风险指信息系统遭受损失、伤害、毁灭的可能性。风险评估是一个结合技术手段，为识别管理问题、制定管理策略服务的系统工程。它为降低风险、实施风险管理和控制提供了重要依据。风险评估是加强信息系统建设和管理的关键环节，是发现信息系统存在问题，找到解决途径的有效手段[3]。

3.1 硬件风险

高性能计算平台硬件风险可能由以下原因引起：

（1）异常断电，且断电时间大于UPS保障时间导致宕机。

（2）硬件老化或出现其他不可预期故障。

物理机许可服务器上部署的许可大部分已过维保期，且许可的申请与物理机信息绑定，如果物理機故障，必须申请新的许可才能使用，受到CAE厂家响应时间的限制。

（3）以太网交换机、infiniband交换机、存储硬件故障。

3.2 数据风险

（1）高性能计算平台Vertical数据库采用3冗余方式，最多只可有一台机器宕机，否则会导致数据库宕机。

（2）许可服务器物理机节点属于单节点运行，且该节点上部署了大量不同厂家的许可，并大部分CAE软件许可已过维保期。如果许可数据异常，许可需要重新申请，周期和申请结果无法预估，且申请许可需要硬件相关信息。

（3）虚拟化平台故障将导致虚拟机许可数据异常。

（4）服务器硬件故障导致许可异常。

3.3 应用风险

应用风险可能由以下原因引起：

（1）人为误操作或平台本身潜在问题，导致高性能计算平台服务异常。

（2）服务升级、补丁部署导致服务崩溃。

（3）平台本身潜在问题导致服务器宕机。

（4）目前许可服务器物理机节点许可数据分布集中，许可服务应用程序异常将导致大量CAE共享软件无法使用。

4 风险应对策略

4.1 硬件风险应对策略

4.1.1 增加架构冗余度

对风险发生时会造成较大损失或延误工程进度的故障点，可增加架构冗余度。

（1）磁盘阵列。具体措施包括增加二级冗余存储，实现存储热备，防止数据丢失，或增加1：1存储，进行数据复制，当其中一台存储故障不影响使用。

（2）图像处理服务器。增加1台图像处理服务器，当一台宕机，用户可以使用其它图像处理服务器做图形处理任务。

（3）许可服务器物理机。将必须部署在物理服务器上的许可，进行分散部署，至少部署在2台物理许可服务器上。需要再新增1台物理许可服务器。

4.1.2 提供冷备份手段

目前架构中为单点设计的计算网络交换机、管理网络交换机和刀箱IB交换模块单点故障，上述节点故障可能性较小且配置简单，为避免单点故障，可采用冷备手段，增加冗余设备，在故障时可在30分钟内实现替换和故障修复。

4.1.3 加强对厂商的服务约束

对必须部署在物理机许可服务器上的软件许可，在采购时对迁移做明确要求，要求5年内厂家提供1次免费的许可迁移服务等。

4.2 应用风险应对策略

4.2.1 增强架构的冗余设计

对高风险或关键节点采用冗余架构，采用冗余热备方式确保系统正常。

4.2.2 加强整机备份

对于采用虚拟机部署的应用服务，采用系统整机备份，保证虚拟机失效后能快速恢复系统。

4.2.3 有效备份配置文件

对于关键应用，确保安装文件和配置文件的完整备份，确保故障发生时，可快速有效恢复。对数据库等重要数据进行定期备份或增量备份。

4.3 数据风险应对策略

针对数据风险有2种应对策略。

4.3.1 整机备份

对于采用虚拟机进行部署的管理节点以及许可服务器，采用整机备份方式，应对数据风险，可实现快速恢复。

4.3.2 数据库及数据文件备份

数据库及数据文件备份，根据系统数据应用情况进行实际分析，可采用部署后一次性备份，或是采用增量备份的方式。

4.4 其他改进措施

高性能计算平台属于系统体量大、复杂度高、技术难度大的信息系统，为降低风险发生造成的损失，按照监控—预警—诊断—修复的步骤，每日巡检，加强故障的预防和处理。

（1）通过信息化手段对平台进行实时监控，对出现异常的节点，采用人工进行故障排查。

（2）通过信实时监控软件，对僵尸进程、长期大量占用存储的用户、高性能计算平台瓶颈进行预警。

（3）根据日志提示信息查看相关服务。遇到复杂问题，采用多台关联设备、多个关联服务并行排查的方式，提高问题定位的准确性。

（4）规范故障的修复处理，并加强过程的管理和记录，此外通过周期性的定期巡检和即时性的事件处理，实现系统的稳定运行。

5 结语

风险控制管理是信息系统管理的一个重要组成部分，良好的风险管理可以防止和减少项目中潜在问题的影响，只有通过科学的分析和方法，将风险问题和项目任务紧密结合起来，并且转化为知识和技术积累。在高性能计算平台运营的过程中，将不断提升风险管理意识和水平，降低风险发生的概率或转移风险，减少风险对整个平台所造成的影响[4]。

参考文献

[1]邓涛.构建信息系统风险评估，提升网络信息安全[J].信息技术与信息化，2015，（3）：40-41.

[2]聂元铭，安靖，文晖.云计算信息安全风险探究[J].信息网络安全，2011，（10）：15-16.

[3]赵可.信息系统风险评估对网络和信息安全的重要意义探讨[J].硅谷，2014，（2）：166.

[4]李智.信息系统风险管理和控制的研究与探讨[J].科技信息，2013，（8）：425.endprint