方姣丽,左 克，黄 春，刘 杰，李胜国，卢 凯

(国防科技大学计算机学院，湖南 长沙 410073)

1 引言

在通往E级系统的道路上，可靠性(仅次于并行管理和能源效率)被视为三大挑战之一。为保证系统的可靠性，已有许多容错技术被提出并应用于系统，主要有被动容错与主动容错2种机制。被动容错主要是回滚恢复方法，通过定期保存程序执行现场以及其他重要信息，并在系统发生故障时实施系统恢复，保证程序能够持续正确地运行。而为避免系统发生失效，在故障及差错的潜伏期内及时地发现故障、修复故障或者隔离故障，这就是主动容错机制。相比于被动容错的回滚恢复等方法，大量的研究集中在主动容错的预测故障上，即预测故障的能力，这样就可以在任何故障出现之前采取规避措施。这将允许在系统仍然正常运行的情况下采用缓解机制，从而能够更容易地推理全局应用状态，并降低保存和随后恢复数据的昂贵成本。

本文使用我国某大规模计算系统投产后的作业故障日志信息，对日志信息进行分析处理，设计实现故障分析模型FD-LSTM(Fault Diagnosis-Long Short-Term Memory)，主要工作有：(1)分析处理该大规模计算系统的日志信息，得到系统的故障时间分布特性和空间分布特性，并与国外系统的故障时空分布特性进行了对比；(2)由于系统的故障类型包括软件故障、硬件故障、人为故障及不明原因的各种故障，采用K-Means方法对故障进行聚类，并分析了每种故障类型的特点；(3)结合故障类型、故障日志时间序列和系统体系结构设计并实现了FD-LSTM模型；……