机群系统凭借其良好的易构建性和可扩展性，无论是在高性能科学计算领域，还是在商业计算领域，都得到了广泛的应用。但是随着机群系统硬件规模的不断扩大以及应用的复杂化，系统出现故障的概率增加[4]。机群监控和故障诊断是保障机群系统可靠性和可用性的重要手段。传统监控系统只提供相对简单和单一的监控信息，缺乏对监控日志的有效管理和分析，不能有效地帮助人们分析机群系统故障的原因。机群的监控日志信息包含了系统运行状况以及运行规律，而应用程序日志反映了应用的运行状况，这些日志信息对于深入分析系统失效规律和失效模式，分析应用程序的故障，起着非常重要的作用。　　 如何管理和分析这些日志，从而快速的发现和定位系统的故障模块，减少故障恢复时间，提高系统的稳定性，成为当前机群系统研究的问题之一。其中首先要解决的问题是，如何管理大规模的历史日志数据。本文首先对这个问题进行了研究。　　 机群管理软件Phoenix是一个多模块系统。在模块交互的过程中，某些模块经常会失效导致整个系统出现故障。基于此，本文研究的另一个问题是，实现一种基于应用级日志的是失效分析方法，分析Phoenix运行中出现的问题，提高Phoenix系统的可靠性和可用性。　　 针对以上两方面的问题，本文主要研究机群系统及其应用的监控和日志管理框架，包括机群系统的监控日志和与特定应用相关的应用级日志，帮助用户实时监控系统状态，同时为故障分析提供数据源，为进一步深层次挖掘失效模式和失效规律，进行故障诊断提供基础设施。其次，本文针对Phoenix系统特定的应用，以应用级日志为线索，实现了基于应用级日志的故障分析系统框架，分析系统的失效。　　 本文主要工作包括以下几个方面：　　 1、机群系统监控和大规模监控日志管理。　　 针对已有的监控系统存在的问题，提出了自己的监控模型，并实现大规模数据管理和检索机制，管理机群大规模历史数据，为深层次的数据挖掘、分析系统失效规律和失效模式提供数据源。　　 2、应用级同志管理框架。　　 实现了应用级日志的接口和日志管理框架。定义规范的日志格式和日志接口，使应用程序产生规范的日志，为分析系统应用故障提供基础。　　 3、基于应用级日志的失效分析方法。　　 实现了基于应用级日志的日志分析框架，针对Phoenix的特定应用，分析系统故障。