随着Internet应用的日益普及,尤其是在Internet上提供大量的商业服务和大规模信息处理,人们对计算机系统的处理能力和可用性都提出了更高的要求。为避免因故障导致的停机和服务的中断,就要尽可能的提高业务系统的稳定性和可用性。最常采用的高可用技术便是容错技术,其中最具代表性的是集群系统,它在提高服务可用性方面得到了业界越来越多的关注。基于以上出发点,本文首先对高可用、容错和集群的各种关键技术进行了深入的研究和探讨,并总结了当前集群系统普遍面临的问题。针对这些问题,利用实验室现有的软硬件资源,设计并实现了一个分布式多节点容错系统。该系统不仅具有二级容错能力,即提供对任务和计算节点的双重保护,还具有灵活的任务调度功能以及较好的负载均衡能力。系统采用分布式的松耦合体系结构来组织节点,具有良好的可扩展性。针对分布式构架存在的消息复杂度高等问题,本文构建了分组管理模式,不仅满足了系统的可扩展性,更大大减少了因节点间周期性发送消息带来的通信代价。针对任务调度的NP问题,本文设计了分布式任务调度模型及分布式协商调度算法,将大部分决策过程分布到各节点的调度模块执行,降低了算法的求解复杂度,提高了效率。同时,算法综合考虑多了多方面的性能指标,包括任务的最早执行时间、通信量、负载均衡和调度开销等,能够根据任务和系统运行的状态进行动态多目标调度,从而满足各方面的性能要求。在此基础上,设计了失效任务和故障节点的接管算法。通过任务调度算法对失效的任务进行合理的重新分配,即保证了系统整体性能,又满足了系统高可用性的要求。