高 剑，于 康，卿 鹏，尉红梅

(江南计算技术研究所，江苏 无锡 214083)(*通信作者电子邮箱gaojian_whu@163.com)

0 引言

高性能计算系统广泛应用于国防建设、科学研究以及国民金融等重要领域，随着系统规模的扩大，系统的平均无故障时间(Mean Time Between Failures, MTBF)逐渐降低，为系统可靠性带来了严峻挑战[1]。根据可靠性理论的论述，若系统组件的故障(fault)在运行时被激活，将导致系统内部出现错误状态(error)，错误状态会在组件间不断地传播，最终引发系统的失效(failure)，即系统失效是一个由故障引起错误状态并逐渐积累的渐进过程[2]。

故障管理是维护高性能计算系统可靠性的重要基础，故障定位作为故障管理的核心功能，发挥着关键作用。故障定位主要包括检测和分析两个主要步骤：故障检测负责及时发现由故障引起的异常表现，也称作症状(symptom)；故障分析负责根据检测到的症状快速、准确地推理得出故障，缩短故障响应时间。高效的故障定位有利于系统在失效前采取相应的处理策略以避免故障的扩散，从而提高系统利用率。

1 相关工作

目前，从计算机科学的不同领域派生出的故障定位方法主要分为事件关联[3]与主动探测[4]两类。

1.1 事件关联

事件关联是应用最为广泛的故障定位技术，要求被管设备在自身状态出现异常时，能够向外发出症状告警，由中央管理器负责收集并分析被管设备发出的告警事件。文献[5]对事件关联进行了较为全面的综述，包括基于规则、模型以及案例等具体的实现方式。……