近年来,确保系统的高度可靠性,已成为构建超级计算机系统面临的主要技术挑战。一方面,超级计算机系统的计算作业通常需要持续运行数天甚至数月的时间。而系统部件的故障不可避免,要求系统具备较高程度的可靠性,以确保作业能够被顺利完成。急剧增长的系统规模,使超级计算机系统的故障频率大幅度提升,系统的可靠性问题更为严峻。随着系统规模的进一步扩大,故障将不再是偶然事件,而应该被视为系统运行期间所必须处理的常规事务。另一方面,超级计算机系统的结构组成较为复杂。某一子系统的故障,往往会间接影响到其他子系统。而现有的容错机制,往往局限于单个子系统中,缺乏子系统之间的协同。针对上述问题,本文聚焦于互连网络故障对计算节点通信性能的影响,开展了以下两个方面的工作:1、拓扑感知的故障影响域分析技术研究该方案结合拓扑结构信息和网络功能部件故障信息,分析评估相应故障对计算节点通信性能的影响程度。该方案的故障影响域评估结果将进一步指导传统的作业管理单元执行计算节点分配,使通信性能较优的计算节点优先被作业使用,以充分利用潜在的互连网络资源,减弱互连网络故障对系统系统的影响,从而提升系统的可靠性。2、基于SDN增强互连网络可靠性的相关技术研究SDN作为一种新兴的网络范式,创新性地将传统网络设备中的控制层面与数据转发层面进行物理隔离,并由逻辑上中心化的网络控制器构建一个全局的网络视图。该方案利用SDN的网络可编程特性,实现对网络流进行更具灵活性的动态调度,对现有静态网络负载均衡策略的局限性进行补充,从提升故障恢复后期网络资源利用率的角度增强系统的故障恢复效果。