随着高性能计算技术的飞速发展,高性能计算(High Performance Computing,HPC)系统的中组件的数量和规模的急剧增大,系统的平均故障间隔时间(Mean Time Between Failure,MTBF)也随之大幅降低,严重影响了系统的可靠性。因此,为HPC配备自主容错能力至关重要。检查点和回卷(Checkpoint/Rollback,C/R)技术是HPC中广泛采用的自主容错手段。但是,C/R技术通常会带来巨大的I/O开销,已经不能满足HPC应用的需求。进程迁移是一种主动式的自主容错机制,是对C/R技术的扩充,将即将失效节点上运行的进程传输到备用节点上,从备用节点恢复这些进程。首先,本文研究了国内外HPC系统自主容错机制的发展现状,分析了广泛使用的检查点和回卷技术与进程迁移机制。其次,为了在基于InfiniBand的多核HPC系统上,对MPI并行程序执行检查点和卷回操作,本文深入研究了传统的C/R框架和InfiniBand信道架构,扩展了传统的C/R框架,提出了一个基于FTB(Fault Tolerance Backplane)的C/R框架。在此基础上,本文设计并实现了一种基于FTB的进程迁移机制,采用FTB作为容错控制消息通信框架,实现进程迁移过程中的容错控制消息传递,提高了开源MPI实现的容错能力。此外,本文还分析了进程迁移过程中各阶段的开销情况,针对检查点数据写入和传输阶段的高开销问题,设计了一个进程迁移协议,缩短了进程迁出即将失效节点的时间,提高了HPC系统主动容错的性能。