容器云存储系统由于其固有的复杂性和大规模性,使得各种故障情境经常发生,引起应用服务失效。容器云存储出现的故障情境与其应用运行情境有一定的关系。因为容器镜像掩盖了应用部署过程中针对不同环境需要的环境配置以及安装步骤的复杂性,多个应用共享系统的内核进程和内核资源,导致应用的性能会受到与其共存于同一物理主机的其他应用的影响。这种引起多应用互相干扰的情境容易产生灰色故障。灰色故障是一种容易引起容器云存储系统服务失效的故障,该故障能被应用的故障检测机制观察到,但往往会被系统的故障检测机制忽略。研究灰色故障与应用之间干扰情境的关系,将有助于以应用为中心的容器云存储系统进行故障检测和预测,以达到降低故障发生概率和系统维护成本的目的。首先,分析应用间性能干扰使应用运行情境改变的特性,从时间、空间和应用间的逻辑关系等角度对应用性能干扰情境与灰色故障之间的关联关系建立关系模型RMAIG（the Relational Model based on the Relationship between Application Interference Situationcontext and Grey Fault）,并提出一种基于RMAIG模型的灰色故障检测策略。基于RMAIG模型的灰色故障检测策略使用LSTM（Long Short-Term Memory）和BLSTM（bidirectional long short-term memory）混合模型对RMAIG模型进行训练,学习得到数据中前向和后向的依赖关系,以提高策略的自学习性,达到通过进行情境比对就能准确检测到灰色故障的目的。其次,在灰色故障检测的基础上,提出一种基于情境建模的灰色故障预测策略GFP-SG（Grey Fault Prediction Strategy based on Situation Graph）。该策略在对数据中应用性能干扰情境和灰色故障之间的逻辑和时空关系的分析基础上,对灰色故障进行针对性的情境分类,根据应用上下文环境的变化建立情境快照,建立应用运行上下文环境改变与灰色故障之间的关系情境图谱,接着使用自适应同构情境挖掘算法将应用情境快速地与情境图谱中的情境快照进行比对,快速跟踪灰色故障区域变化情况并进行有效预测。最后,设计了一个容器存储集群灰色故障监控预警系统原型Grey-Warn（Container Cluster Grey Fault Early Warning System）。Grey-Warn将基于RMAIG模型的灰色故障检测策略以及GFP-SG策略进行了集成实现。通过在基于Docker的容器存储集群环境中进行实验和验证。结果表明,随着应用运行规模的增大,与已有的故障预测策略相比,本文所提出的方法在灰色故障预测上具有更高的精度,并有效降低预测开销。