计算机工程

作者：建澜涛, 任秀江, 张祯, 石嵩, 黄益明, 张春林

单位：1. 江南计算技术研究所, 江苏 无锡 214083;2. 国家并行计算机工程技术研究中心, 北京 100190

关键词：高性能计算,维护系统,异常检测,故障诊断,故障预测

基金：“十四五”国家重点研发计划（2021YFB0300900，2021YFB0301000）。

E级计算机系统规模巨大，使得故障异常总量随之增多，导致诊断发现的难度增加，因此，迫切需要一套更加准确高效的实时维护故障诊断系统，对硬件系统进行全面的异常及故障信息实时检测、故障诊断及故障预测。传统故障诊断系统在面对数万节点规模的诊断时存在执行效率低、异常检测误报率高的问题，异常检测及故障诊断的覆盖率不足。对异常及故障检测、故障诊断与故障预测相关技术进行研究，分析技术原理及适用性，并结合E级高性能计算机实际工程需求，设计一套满足数E级高性能计算机需求的维护故障诊断系统。基于维护系统的结构组成设计可扩展的边缘诊断架构，将高性能计算机系统知识、专家知识与数理统计、机器学习相融合给出故障检测、诊断及预测算法，并针对专用场景建立预测模型。实验结果表明，该系统具有较好的可扩展性，能在10 s内完成对十万个节点规模系统的故障诊断，与传统故障诊断系统相比，异常检测某特定指标误报率从3.3%降低到几乎为0，硬件故障检测覆盖率从90.2%提升至96%以上，硬件故障诊断覆盖率从71%提升至约94%，能较准确地预测多个重要应用场景下的故障。

来源：2022年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第12期