随着模型和数据集的增长,在分布式集群中运行大规模的机器学习算法已成为一种常用的方法。该方法将整个机器学习算法和训练数据划分为多个任务,每个任务运行在不同的工作节点,最后通过主节点对所有任务的结果进行组合,得到整个算法的结果。当分布式集群中存在大量节点时,由于资源竞争等原因,一些被称为掉队节点的工作节点不可避免地会比其他节点慢下来,这使得在该节点上运行的任务时间明显高于其他节点。与在多个节点上运行副本任务相比,编码计算能更有效利用计算和存储冗余来缓解大规模机器学习集群中掉队者和通信瓶颈的影响。研究者们提出了许多编码方案来实现对掉队节点的容忍,但是他们大多只关注于如何降低编码方案的恢复阈值,对于基于分布式机器学习的编码方案的性能开销并没有进行充分的研究和分析。本文则针对这一问题进行了研究与讨论。本文定义了面向分布式机器学习的编码计算的两个性能指标:一是某个使用该编码方案的计算任务完成时间,即完成整个计算任务所需要的时间;二是整个计算任务的机器计算总时间,即整个分布式计算系统中所有工作节点对该计算任务进行计算的时间的总和。在实际应用中,任务完成时间关系到执行分布式机器学习算法时所需等待的时间的长短,机器计算总时间更是直接关系到进行计算任务所需的成本花费。因此本文重点考察了面向分布式机器学习的编码计算的任务完成时间和机器计算总时间这两类开销。本文计算出了由n个工作节点组成的分布式系统中第4)个完成计算任务的节点的概率概率密度函数,并给出了工作节点计算任务完成时间符合均匀分布场景下计算任务的任务完成时间和机器计算总时间的表达式;对比并分析了这一场景下三种应用于矩阵乘法的编码方案的任务完成时间和机器计算总时间,提供了计算方案选择的依据;在选用某一编码作为计算方案之后,本文还给出了限定条件下编码方案的参数选择方法,并给出了参数选择的启发式算法。