基于在线学习的超级计算机结点故障主动容错方法

摘要

本发明公开了一种基于在线学习的超级计算机结点故障主动容错方法，目的是解决系统级检查点方法存在容错开销大的缺陷。技术方案是对于构建的超级计算机系统，服务结点收集新的故障结点的历史状态数据，利用这些数据对结点故障行为进行集中式的在线学习，获得更新的故障预测器；各计算结点获取自己的状态数据，利用新的故障预测器预测自己是否即将故障，如果是，则对本结点上正在运行的应用进程实施进程迁移；然后，服务结点与计算结点均睡眠等待规定的主动容错时间间隔Δ，并继续新一轮的主动容错过程。采用本发明可以提前预测超级计算机结点故障并实施低开销的主动容错，解决了系统级检查点方法容错开销大的问题，提升了超级计算机系统的可用性。