如今,随着物联网、人工智能、生命科学等领域对大规模计算系统的需求以及半导体工艺技术的发展,GPU集群以其高处理能力为大规模计算带来了更高的性能。然而,设备的高集成度,高密度的晶体管刷新频率使计算系统产生过高的能耗,同时也导致计算系统可靠性问题日益严重。因此,有效的能耗分析和可靠性提升方法是大规模计算中亟待解决的问题。针对上述问题,本文的研究内容和创新点体现在以下几个方面:1.分析不同程序对不同类型GPU的计算资源和存储资源的使用情况,并由此确立不同程序中主要核函数(kernel)的类型。在此基础上,提出两级并行性能优化模型,分别从线程级和指令级对并行算法的性能进行优化。2.提出基于功耗计算系统的容错模型。为精确计算各处理器能量消耗,设计了基于无线传感网的集群能耗计算系统,通过采集的实时电流以及相关的数学模型获得所有设备的能耗。在此基础上,提出了一个多指标实时监控的异步检查点方案来控制特定的检查点间隔。并根据电流及功耗变化情况动态调整检查点间隔以减少容错时间开销。另外,为了优化容错结果,我们还在可选范围内调整检查点位置以减少需要保存的冗余数据量。3.提出一种适用于低依赖性程序的动态任务流迁移方法(dynamic taskflow migrationapproach,DTMA)。使用DTMA,能够有效降低能耗过高节点负载,提高设备能效,有效避免瞬时故障并提高计算系统可靠性。4.提出一种适用于高依赖性程序的数据流自然属性优先的资源调度方法。采用启发式和遗传算法的思想,在充分考虑GPU和任务类型的条件下,寻找近似最优的分配方案;针对高功耗导致节点崩溃的问题,提出一种动态资源调整方案减少设备负载。虽然减少任务负载影响某些任务的执行性能,但它可以通过牺牲局部最优性能来获得全局最优的可靠性。最后,使用深度学习中的卷积计算验证本文的性能优化思想,针对不同规模的卷积计算,平均性能提升为20.57%。在此基础上,使用本文的可靠性模型进行道路车辆检测,在YOLO v3模型的不间断长时间运行的情况下获取各节点中实时功耗,并根据功耗变化进行任务调度及迁移以保证计算系统能够长时间安全可靠的运行。在本文的计算环境中,系统故障减少为0,有效提高了系统可靠性。