大规模并行计算机系统上的故障恢复以处理节点故障而不结束执行的作业

摘要

一种方法和装置，用于在并行计算机系统上从软故障进行故障恢复，而不结束正在节点分区上执行的作业。在优选实施例中，服务节点上的故障硬件恢复机构使用心跳监视器来确定何时出现节点故障。在可能的情况下，重置出现故障的节点并使用软件重新加载所述节点，而不结束由包含所述出现故障的节点的分区正在执行的软件作业。

主权项

1.一种并行计算机系统，包括：多个计算节点，每个计算节点均具有用于重置所述计算节点的网络硬件部分的重置硬件，所述重置硬件与用于重置所述计算节点的其余部分的重置硬件分离；服务节点，用于通过网络控制所述计算节点的操作，所述服务节点包括检测出现故障的计算节点的故障硬件恢复机构；并且其中所述故障硬件恢复机构重置所述出现故障的计算节点的所述其余部分而不重置所述网络硬件部分，以便从所述出现故障的计算节点上的故障恢复。