随着计算机系统和网络的广泛应用,可用性和高性能成为计算机系统所追求的目标,集群技术的出现和发展很好的解决了这两个问题。集群就是由一些互相连接在一起的计算机构成的一个并行或分布式系统,对外提供统一的服务。通过高性能网络或局域网互联的服务器集群正成为实现高可伸缩的、高可用网络服务的有效结构。随着集群系统规模增大、部件增多,集群系统的整体故障概率也不断上升。容错技术已经成为避免造成资源巨大浪费的不可或缺的需求,检查点与回卷恢复技术是一类重要的容错技术。 本文在对目前应用较广的检查点设置及回卷恢复技术进行深入研究的基础上,针对已有的协调式检查点协议通常存在同步及存储开销较大的问题,提出一种基于"Chandy-Lamport"协议的“3-phase"式检查点协议,有效避免了大量记录日志消息,降低了协议开销,可以更好的满足高性能计算集群容错的需要；另外还介绍了现有的一些检查点文件的存储策略,分析了其不足,然后引入了分布式存储的思想,采用IDA编码将检查点分块存储,在增加有限存储空间的同时,可以容忍多个结点的永久故障。并在分块后附加MD5摘要值,用于分块的完整性保护。回卷恢复时,采用简化后的解码方法对分块进行解码,重建检查点,实现进程状态的恢复,减少了检查点整体开销。最后,本文所实现的检查点功能土要是在libckpt的代码基础上修改而成,提出的“3-phase"式检查点协议和基于IDA的分布式存储方式的性能在IBM1350集群实验平台上得到验证。 本文所作的研究主要是针对高性能计算集群环境的应用,对协调式检查点协议和检查点文件分布存储方式分别进行了一定的改进,期望可以对该领域的研究做出一些有益的探索。