随着并行计算的规模越来越大,超级计算机的规模扩展到成千上万的独立节点,这意味着硬件更容易在运行时间较长的任务时发生故障,已经有结论表明超过10万个处理器节点的系统在几分钟之内便会出现一次节点故障,而用户需要并行程序能够适应硬件故障而继续执行,希望并行机能够达到一定的容错效果,因此,如何实现容错是高性能计算领域一个相当重要的课题。 高性能计算系统中最广泛使用的编程接口规范是MPI(Massage PassingInterface),本文首先介绍了基于MPI的编程环境目前存在的相关容错技术,总结了基于外存储设备进行checkpoint的相关技术,介绍了多种MPI的容错机制。 本文提出了一种新的容错机制,采用存储领域中的容错编码技术,实现内存方式(in-mermory)的容错。本文分别实现了基于RAID4、RAID5、RDP、X-Code等多种编码方案的内存方式的容错,并且在FT-MPI环境下进行了实验。本文所提出的内存编码实现方式,对于中等规模需要迅速恢复故障程序的情况下,具有实际的应用价值。 本文最后对各种内存方式作了理论分析,进行了测试,与磁盘写检查点的方案进行了比较,分析实验结果,给出了容错性能的评价结论,并对今后的进-步工作进行了讨论。