目前,高性能超级计算机的趋势已从高端的大型高性能计算机向计算机机群发展,促进了机群这一计算技术得到飞速发展。随着机群技术的广泛应用,机群系统的性能和可用性需要也在不断提高,但是机群系统结构松散、节点独立性强、网络连接复杂、故障难以维护。为了解决以上存在的问题,采用在节点机的操作系统上建立一层机群监控系统,它是大规模机群系统中一个非常重要的基础设施,机群监控系统的基本任务是获得机群当前的配置情况,监控机群的健康状况和性能指标,并提供机群系统故障诊断功能。国内外机群监控系统虽具有良好的性能和可用性,但仍存在一些不足:1)机群监控系统在进行信息采集时用户不能及时获取所需的数据信息,会引入较大的系统开销,从而对机群系统产生负载影响。2)当监控节点发生故障时,无法实现故障节点的自动转移和恢复,造成监控数据传输失效,降低机群监控系统可靠性。本文的主要研究内容及创新之处:(1)通过对监控信息采集技术的详细分析,采用IEEE1394协议和Ganglia机群监控技术相结合,设计实现了一种新型的机群监控信息采集模型,该模型不仅降低了机群监控系统对机群系统产生的负载,而且有效地提高了监控信息的采集速率和机群监控系统的可用性。(2)分析了机群监控系统在处理监控节点故障时存在的问题,提出了一种容错的机群监控节点模型,避免了机群监控节点故障,增强监控系统的可用性,提高了无人值守的可信度。本文针对机群监控系统NGMON的主要性能指标──机群监控信息采集引入的负载和通信效率,以及系统的容错性进行了测试,验证了它们的可行性和实用功能,弥补了现有机群监控系统存在的不足之处,提高了机群监控系统的性能、可靠性、可用性和可管理性。本文研究内容是大连市科学技术基金计划项目:新型网络服务器的资源管理与系统状态监控(编号:2005J22JH031)的重要组成部分。