大规模并行计算机系统上的故障恢复以处理节点故障而不结束执行的作业

摘要

一种方法和装置，用于在并行计算机系统上从软故障进行故障恢复，而不结束正在节点分区上执行的作业。在优选实施例中，服务节点上的故障硬件恢复机构使用心跳监视器来确定何时出现节点故障。在可能的情况下，重置出现故障的节点并使用软件重新加载所述节点，而不结束由包含所述出现故障的节点的分区正在执行的软件作业。