[發(fā)明專利]一種基于資源優(yōu)化策略的基層故障診斷方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110772240.3
• 申請(qǐng)日: 2021-07-08
• 公開（公告）號(hào): CN113485861A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 建瀾濤;黃益明;張禎;陳恒;鄭生濱;朱可夫
• 申請(qǐng)（專利權(quán)）人: 無錫江南計(jì)算技術(shù)研究所
• 主分類號(hào): G06F11/07
• 分類號(hào): G06F11/07;G06F11/30
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 裴金華

本發(fā)明公開了一種基于資源優(yōu)化策略的基層故障診斷方法及裝置，該方法包括構(gòu)建整機(jī)故障診斷樹，整機(jī)故障診斷樹包括由系統(tǒng)基層至頂層分別設(shè)置的第一級(jí)管理單元、第二級(jí)管理單元、第三級(jí)管理單元；當(dāng)各第一級(jí)管理單元采集到總錯(cuò)監(jiān)控?cái)?shù)據(jù)時(shí)，對(duì)總錯(cuò)監(jiān)控?cái)?shù)據(jù)進(jìn)行故障解析，確定故障數(shù)據(jù)信息；生成各故障數(shù)據(jù)信息對(duì)應(yīng)的各故障診斷結(jié)果，并將各故障診斷結(jié)果發(fā)送至第二級(jí)管理單元；第二級(jí)管理單元對(duì)接收到的各故障診斷結(jié)果進(jìn)行過濾后，將過濾診斷結(jié)果發(fā)送至第三級(jí)管理單元；第三級(jí)管理單元基于接收到的過濾診斷結(jié)果生成并展示故障報(bào)文。本發(fā)明實(shí)現(xiàn)了采用分布式故障處理方式代替原有集中式故障處理方式，以分級(jí)并發(fā)方式實(shí)現(xiàn)了診斷數(shù)據(jù)的高效匯集。

技術(shù)領(lǐng)域

本申請(qǐng)涉及高性能計(jì)算機(jī)故障診斷技術(shù)領(lǐng)域，具體而言，涉及一種基于資源優(yōu)化策略的基層故障診斷方法及裝置。

背景技術(shù)

隨著高性能計(jì)算邁入E級(jí)時(shí)代，系統(tǒng)性能大幅提升的同時(shí)，其規(guī)模也在迅速增長，各種關(guān)鍵組件數(shù)量十分龐大，平均無故障時(shí)間將縮短至小時(shí)計(jì)，對(duì)整機(jī)的可靠性以及可用性提出了非常嚴(yán)苛的要求，如何在故障出現(xiàn)的第一時(shí)刻發(fā)現(xiàn)故障并有效排除故障對(duì)高性能計(jì)算機(jī)的可靠穩(wěn)定運(yùn)行起著至關(guān)重要的作用。

目前對(duì)高性能計(jì)算機(jī)的故障診斷主流方式為基于海量監(jiān)測(cè)數(shù)據(jù)發(fā)現(xiàn)故障點(diǎn)，進(jìn)而在故障點(diǎn)上運(yùn)行故障診斷流程。其存在的缺陷是當(dāng)故障點(diǎn)數(shù)量急劇增多時(shí)，僅依靠總控制臺(tái)進(jìn)行并發(fā)診斷，大量的并發(fā)數(shù)據(jù)將對(duì)管理網(wǎng)絡(luò)造成巨大的負(fù)擔(dān)，此外還受限于總控制臺(tái)的并發(fā)能力及對(duì)海量數(shù)據(jù)的并行處理能力，大量的底層硬件并發(fā)訪問也將對(duì)維護(hù)接口造成巨大壓力，目前的處理方式其效率已經(jīng)不能滿足高性能計(jì)算機(jī)的實(shí)時(shí)高效的故障診斷需求。

發(fā)明內(nèi)容

為了解決上述問題，本申請(qǐng)實(shí)施例提供了一種基于資源優(yōu)化策略的基層故障診斷方法及裝置。

第一方面，本申請(qǐng)實(shí)施例提供了一種基于資源優(yōu)化策略的基層故障診斷方法，所述方法包括：

構(gòu)建整機(jī)故障診斷樹，所述整機(jī)故障診斷樹包括由系統(tǒng)基層至頂層分別設(shè)置的第一級(jí)管理單元、第二級(jí)管理單元、第三級(jí)管理單元；

當(dāng)各所述第一級(jí)管理單元采集到總錯(cuò)監(jiān)控?cái)?shù)據(jù)時(shí)，對(duì)所述總錯(cuò)監(jiān)控?cái)?shù)據(jù)進(jìn)行故障解析，確定故障數(shù)據(jù)信息；

生成各所述故障數(shù)據(jù)信息對(duì)應(yīng)的各故障診斷結(jié)果，并將各所述故障診斷結(jié)果發(fā)送至所述第二級(jí)管理單元；

所述第二級(jí)管理單元對(duì)接收到的各所述故障診斷結(jié)果進(jìn)行過濾后，將過濾診斷結(jié)果發(fā)送至第三級(jí)管理單元；

所述第三級(jí)管理單元基于接收到的所述過濾診斷結(jié)果生成并展示故障報(bào)文。

優(yōu)選的，所述第一級(jí)管理單元為分布式管理單元，所述第二級(jí)管理單位為區(qū)域集中式管理單元，所述第三級(jí)管理單元為總控管理單元。

優(yōu)選的，所述第一級(jí)管理單元包括數(shù)據(jù)解析模塊和故障樹診斷模塊；

所述當(dāng)各所述第一級(jí)管理單元采集到總錯(cuò)監(jiān)控?cái)?shù)據(jù)時(shí)，對(duì)所述總錯(cuò)監(jiān)控?cái)?shù)據(jù)進(jìn)行故障解析，確定故障數(shù)據(jù)信息，包括：

當(dāng)各所述數(shù)據(jù)解析模塊采集到總錯(cuò)監(jiān)控?cái)?shù)據(jù)時(shí)，對(duì)所述總錯(cuò)監(jiān)控?cái)?shù)據(jù)進(jìn)行故障解析，得到異常監(jiān)控?cái)?shù)據(jù)；

所述數(shù)據(jù)解析模塊基于預(yù)設(shè)的信息交換協(xié)議將所述異常監(jiān)控?cái)?shù)據(jù)發(fā)送至所述故障樹診斷模塊；

所述故障樹診斷模塊接收到所述異常監(jiān)控?cái)?shù)據(jù)后，對(duì)所述異常監(jiān)控?cái)?shù)據(jù)進(jìn)行故障診斷，確定故障數(shù)據(jù)信息。

優(yōu)選的，所述對(duì)所述總錯(cuò)監(jiān)控?cái)?shù)據(jù)進(jìn)行故障解析，得到異常監(jiān)控?cái)?shù)據(jù)，包括：

實(shí)時(shí)解析各所述總錯(cuò)監(jiān)控?cái)?shù)據(jù)，將出現(xiàn)錯(cuò)誤的總錯(cuò)監(jiān)控?cái)?shù)據(jù)確定為異常監(jiān)控?cái)?shù)據(jù)；

查詢所述異常監(jiān)控?cái)?shù)據(jù)對(duì)應(yīng)的芯片中存在錯(cuò)誤的異常芯片；

當(dāng)存在所述異常芯片時(shí)，查詢所述異常芯片中存在寄存器錯(cuò)誤的異常寄存器；

當(dāng)存在所述異常寄存器時(shí)，查詢所述異常寄存器中存在位碼錯(cuò)誤的異常位置。

優(yōu)選的，所述基于預(yù)設(shè)的信息交換協(xié)議將所述異常監(jiān)控?cái)?shù)據(jù)發(fā)送至所述故障樹診斷模塊，包括：