LAXCUS分布式操作系统通过聚合计算一系列抽象化处理，把一堆分散的物理计算机，合并成一台逻辑统一的超级计算机。基于此，用户可以像使用一台计算机一样，操纵整个计算机集群；开发者可以像编写单机应用软件一样，编写基于LAXCUS分布式体系架构的应用软件，这样就大大简化了计算机集群的使用和应用软件的开发。但是在LAXCUS分布式操作系统的最底层，面对分散的物理计算机，为保证每一台计算机正常运行和集群的完整性，LAXCUS分布式操作系统需要时刻追踪所有硬件设备和部件的工作状态。目前处理这项业务的是LAXCUS心跳检测机制，LAXCUS集群的各种冗余容错措施，也都和它有关，并基于它派生。
今天来说说LAXCUS分布式操作系统的基石之一：心跳检测机制。
当一个LAXCUS节点启动并接入集群之后，会得到一张集群映像表。集群映像表包括了每个节点的所有动态运行消息，比如IP、CPU、GPU、磁盘、内存、工作负载等参数，都在这张集群映像表中。通过集群映像表，每个LAXCUS节点会定时（通常是20秒，参数可调）与其它LAXCUS节点保持沟通，确定其它LAXCUS节点是否存活。如果与某个节点的心跳检测失败，将向集群发送广播，并启动故障检测机制，利用多节点协同判断，最终确定某个LAXCUS节点是否发生故障。同时，LAXCUS节点也会定时自检，判断计算机内部是否存在硬件故障、软件故障，并将这些消息全网广播，保证集群映像表定时更新。依据集群映像表，LAXCUS分布式操作系统将为聚合计算任务分配工作负载节点，保证整个计算机集群负载平衡。
本质上，心跳检测就是一个IP包，根据不同阶段的运行时状态，大约维持在一、二百个字节左右，小于规定的IP包长度。所以心跳检测包也不需要网络通信设备对它进行拆包和重组，尤其在广域网通信和跨域通信，减少了丢包的可能，表现尤其优秀。
心跳检测机制采用双向通信，当某个LAXCUS节点向另一个LAXCUS节点发送心跳检测包，接收方必须执行对等的反馈操作。如果发送方连续发包，且长时间得不到接收方的反馈（通常是60秒，参数可调），发送方将联合更多LAXCUS节点，启动故障检测，执行一致性判断，确定节点故障。如果故障情况属实，将视故障情况，启动一系列后续的冗余容错操作，同时通知集群管理员处理。
心跳检测机制的优点：
1. 原理和技术实现极其简单。
2. 机内资源和网络资源占用小，1000个节点集群，机器内存占用小于10M。
3. 对故障节点的判断和确定极其有效，基本没有误判的情况。
4. 间接保证了LAXCUS集群长时间稳定可靠运行。
心跳检测机制的缺点：
1. 当出现大面积故障（比如断网、物理性破坏）时，会触发集体故障检测，这时LAXCUS集群将涌现大量的网络通信，并占用很多的内存、CPU、网络带宽资源。
2. 存在节点运行信息滞后和延迟的问题，不利于集群整体的实时管控。此类现象主要集中在超大规模的分布式计算和分布式存储、计算资源不足时的调配、节点交互频繁过程中。
LAXCUS分布式操作系统研发团队正在扩招中，岗位包括：技术合伙人、项目主管、核心开发人员，公司提供了丰厚的股权和期权奖励，欢迎“有想法”和“不安分”的小伙伴联系我们，加入LAXCUS分布式操作系统研发团队，抓住AI和算力互联网发展浪潮红利！
技术探讨长按此微信号
股权商务合作长按此微信号
