计算机工程与科学-201303-多集群计算环境故障监控管理系统.pdfVIP

CN 43—1258／TP 计算机工程与科学 第35卷第ii期2013年11月 ISSN1007—130X 3 Computer V01．35．No．11．Nov．201 EngineeringScience 文章编号：1007—130X(2013)11—0054—08 多集群计算环境故障监控管理系统。 张 毅，陈 良，庞 剑 (中国空气动力研究与发展中心计算空气动力学研究所，四川绵阳621000) 摘要：随着高性能计算集群系统的数量及其节点规模的不断扩大，系统运行维护的难度和工作量也 随之加大。介绍的软件系统工作在多套不同软硬件环境的Linux集群系统中，采用命令行脚本程序对各 集群中重要的运行状态和指标进行自动监测，并利用socket通信的方式及时将发现的故障信息集中发送 到系统管理员Windows终端，切实提高了系统运行维护工作的效率，加快了故障处理响应时间。该系统 还利用数据库对故障事件数据进行记录管理，规范了故障处理的流程。 关键词：集群；故障；监控；管理；数据库 中图分类号：TP306 文献标志码：A doi：10．3969／j．issn．1007—130X．2013．11．009 Fault and monitoringmanagementsystem for clusters multiplecomputing ZHANGYi。CHEN Jian Liang，PANG Institute，China 621000。China) (ComputationalAerodynamics AerodynamicsResearchDevelopmentCenter，Mianyang Abstract：Withthe numberandscaleof cluster increasing systems，the highperformancecomputing maintenancebecomesmoredifficultandtheworkloadis softwarewe system gettinglarger．Thesystem introduceinthe worksin Linuxclusterswithdifferenthardwareandsoftwareenviron— paper multiple the monitors statesandindexesofclusterscommandline ment，automaticallyimportantoperating by to in and sendsfaults theWindowster