科学计算需求量的爆发式增长,是高性能计算机（HPC）发展的直接驱动力。计算能力的提升,能够极大推动各个科学领域研究成果的重大突破,但同时也为系统设计提出了更多的挑战。本论文重点研究了高性能计算领域现阶段亟待解决的两个主要难题:容错和能耗。为满足科学计算所需的算力,近年来超级计算机的计算单元数量成倍增长,这就直接导致了错误频率的升高。显然,在如此庞大的计算系统中引入容错机制是必须的,否则一个需要在大量计算单元上长时间运行的大型程序,可能永远都无法执行完成。另一方面,出于预算限制与环境保护的考虑,我们必须要降低系统能耗。尤其因为容错机制引入的时间与空间冗余,也导致了额外的能量消耗。同时,节能技术通常会引起系统故障率的升高。因此,在降低能耗的同时,我们必须要考虑到系统性能与可靠性的降级。在此研究背景下,我们通过调度算法的设计,权衡系统执行时间、容错、能耗等多个因素,以解决大规模高性能计算系统中的若干优化问题,具体来说:1.本论文对工作流任务在大规模并行系统上的调度和检查点策略（时间冗余）进行研究,解决应用的容错与调度长度最小化的问题。该问题的解决方案包括两个阶段:决定任务在可用资源上的调度;决定在哪个任务执行之后进行检查点操作。本文提出通过限制交叉依赖,防止故障在不同处理器间迁移的思路,首先为一类特殊的工作流任务设计了最优解决方案,然后为一般的工作流任务提出了通用的启发式算法。1)针对特殊结构的工作流任务（M-SPGs）,在任务调度阶段,我们利用它的递归定义结构,提出了递归的比例映射调度算法,该算法将各个子图以超链集进行调度。通过在每个超链的退出任务后设置检查点,得到实现交叉依赖规避的最小集合。然后本文提出了“任务检查点”的概念,在此基础上,设计提出了动态规划算法来决定每个超链中最优的检查点任务子集。2)针对任意结构的工作流任务,在任务调度阶段,我们对于经典的调度算法HEFT和MINMIN进行了优化设计,用以减少交叉依赖。然后在此基础上设计了多种与之匹配的检查点策略,分别提出了针对不同应用场景的完善与宽松的解决方案。第一次实现了针对于任意的任务图类型,做到任意数量的系统故障容错的通用解决方案。为了对算法的性能进行评估,本文开发了离散事件模拟器,并将我们的算法与:在每个任务执行结束后都进行检查点操作（CKPTALL,该方法是现在在实际大型系统中广泛应用的容错方案）;和不做任何容错操作（CKPTNONE,该方法在错误率忽略不计的情况下是最优的）进行比较。大量的仿真实验结果表明,我们的算法在绝大多数错误场景下,都实现了更优的容错表现。相比于第一种方案,我们的算法拥有更低的容错代价;相比于后者,我们的算法对于高频率的故障更具鲁棒性。从理论层面,本文第一次证明了计算CKPTNONE策略调度长度的#P-完备性。2.本文对周期性独立任务集的调度和备份策略（空间冗余）进行研究,解决在实时性与可靠性约束下,能耗最小化的问题。该问题的解决方案包括三个阶段:决定每个任务的副本设置;决定每个副本到处理器的映射与静态调度;根据任务实际执行时间,决定动态更新调度。这三个阶段都以最小化同一任务的不同副本之间的重合度,进而降低能耗为目标。我们首先在同构实时系统上研究三目标制约关系,然后拓展到异构实时系统中。1)针对同构实时系统,在备份设置阶段,本文采用了更符合实际执行场景的能耗计算公式;在映射阶段,本文提出了分层WFD的思路,有利于将主副本分散到各个处理器与负载均衡;针对动态调度阶段,我们基于在节点间调换顺序、预取可用的主副本和利用处理器空闲三个基本思路,提出了多种优化方案,极大限度地减少副本间的重合度。2)针对异构实时系统,因为异构性使得原问题更加复杂,在将任务分配到处理器之前,我们不能够确定为达到其可靠性阀值所需的副本数量。本文针对各个阶段根据不同准则,提出了多种启发式算法。本文还开发了离散事件模拟器,基于广泛的执行场景和参数设置,进行了大量仿真实验验证提出的技术在可靠性保证与节能方面的有效性。从理论层面,为了定量地评估我们的算法,本文提出理论能耗下界,结果表明我们效率最好的启发式算法始终接近下界。同时,本文第一次理论证明了该调度问题特定实例的复杂度。