自治故障管理系统推理规则的智能学习技术

摘要： 随着高性能计算机系统规模急剧增加，系统整体的固有可靠性逐步降低，产生了“可靠性墙”问题。为了应对这一挑战，天河高性能计算机系统设计了自治故障管理系统，通过该系统实时监控、分析、管理全系统的报警、故障和错误。自治故障管理系统所收集的故障消息垂直涵盖系统的各个逻辑层次，水平覆盖系统的全部功能模块，因此故障消息之间存在逻辑上的因果关系，即一个故障源会导致后续一系列的故障事件。提出了一... （共10页）