中文摘要：

围绕大规模计算系统的可靠性问题，本项目从"主动故障"管理的思路出发，针对三个问题展开研究1）大规模计算系统的可靠性现状及故障特征分析；2）面向主动故障管理的大规模计算系统状态监控机制；3）基于运行时状态信息的故障主动检测、隔离方法。 针对第一个问题，通过分析国内外若干大规模计算系统的实际运行数据，总结能力型计算系统的故障特征，从故障原因、故障传播机制、故障管理策略三方面展开研究。这些研究结果可用于系统研制、系统运行管理的参考。 针对第二个问题，从主动故障管理的需求出发，提出并实现大规模计算系统的"多模式"监控系统。该监控系统在我单位某生产性计算平台部署后，取得很好效果。 针对第三个问题，结合多模式监控系统，把系统运行时状态数据作为输入，通过聚类分析得到故障特征信号；通过分析故障传播路径，提出基于隔离思想的故障在线自动处理机制。 围绕上述研究内容，已发表7篇学术论文，参加一次国际会议、两次国内会议。