提高集群系统稳定性的自动化管理方法

摘要：

　　为了提升网格节点集群平台的稳定性,提出了一种应用于大规模集群系统的自动管理方法,将该方法部署到本单位曙光5000集群上,取得了较好运行效果。分析了曙光5000使用过程中发生的3类故障模式：计算节点死机,NIS客户端系统失效和违规作业；根据每类故障的发展特征,实现了处理这些故障模式的系统故障自动管理方法；实际运行效果表明该方法能够提高作业成功率,降低计算节点失效率。

关键词： 故障自动管理 中国国家网格 集群系统 稳定性分析 主动容错

作者: 魏勇 邢莉 武林平 罗红兵

作者单位: 北京应用物理与计算数学研究所高性能计算中心，北京100094

会议类型: 国内会议

会议名称: 第三届中国国家网格学术年会

会议地点: 北京

会议语种:中文

页码: 144-147

在线出版日期: 2011-01-15（万方平台首次上网日期，不代表论文的发表时间）