杨 博，庄 毅

（南京航空航天大学计算机科学与技术学院，江苏 南京 211106）

0 引 言

计算机和通信系统已经变成当今社会的关键组成部分，并对当前的经济、社会、政治和文化等方面产生了深刻的影响。大多数当前的软件系统都可以被视为集群系统，集群系统是由大量独立的计算机组成的并行或分布式系统［1］，多用于高性能计算和高可用应用服务。由于计算机技术的发展，集群系统已经广泛应用于大型互联网企业，例如：Google 搜索引擎［2］、Facebook［3］及高性能计算集群等。集群系统中节点数量不断增加，网络架构日益复杂，使得集群系统功能逐渐复杂，但同时也对集群系统的可用性提出了更高的要求［4］。集群系统中节点或网络出现故障和异常的情况越来越频繁，这些故障发生后可能会进一步传播最终导致系统级的服务失效。据相关数据统计，Google 搜索引擎每季度至少宕机一次；亚马逊公司出现过大规模的宕机事件，导致大量相关的应用服务中断；Google 集群分析报告指出其每36 个小时就可能会有一个节点发生故障，每年的节点故障大约为2%，频繁的故障严重影响用户的正常使用［5］。

集群系统中发生于某节点的故障可能会由于任务的协作和节点之间的通信导致其他节点相继发生故障，即产生更大范围内的系统故障。由于控制集群系统的复杂性和动态性，且监控系统需要从节点、程序、网络和性能等方面搜集大量资源数据，集群系统分析大量的数据将会导致故障检测效率和准确度低。……