云计算资源池将计算机硬件抽象成虚拟资源,从而为用户提供弹性的可伸缩的按需获取的服务。资源池由于其固有的复杂性和共享性容易出现异常和故障。现有的云平台故障诊断系统大多通过阈值进行故障诊断,在自适应性和可扩展性上存在问题。因此研究云平台资源池的故障诊断方法是很有必要的。由于底层资源异常会引起上层应用故障,本文将通过检测资源池节点的异常行为进行故障诊断。本文主要研究通过数据分析进行故障诊断的方法。具体而言,本文的主要研究工作如下:(1)研究云平台资源池的数据采集方法。本文通过注入云计算操作系统的控制台接口获取计算资源数据;利用openflow协议设计了一种基于多级流表的自适应性网络流量采集方案。通过轮询边缘交换机测量网络带宽利用率、流量和丢包率等信息。(2)研究云平台资源池中单节点故障的诊断方法。不同运行环境中的结点状态差异很大,会对故障诊断准确性造成干扰。本文结合结点性能及所进行的操作设计了基于环境划分的故障诊断模型。首先采用近邻传播聚类进行结点运行环境划分。为使其适应混合属性的大规模数据,本文提出了基于信息割的快速混合属性近邻传播聚类。算法将数据集分为多个子集,在子集中进行聚类,再对这些结果进行合并以此提高算法效率,同时引入信息割概念保持聚类的准确性。然后对划分后的节点子集分别建模,进行故障诊断。为了能够同时识别已知和未知的异常,本文设计了一种聚合的一类支持向量机。该方法采用了半监督的思想,将多个一类支持向量机聚合起来对多种故障进行判别。(3)研究关联故障的诊断方法,将改进的eclat关联规则算法应用于云环境下资源池异常模式挖掘中,并进行自适应方面的改进。与单节点故障诊断情况结合,使其应用到关联异常模式挖掘中。根据在真实数据集上的对比实验结果表明本文提出的方法是有效的,具体而言基于环境感知的故障诊断策略优于不进行环境感知的故障诊断方法,经过改进后的AP聚类和eclat算法在性能上优于原始算法。聚合的一类支持向量机能够识别已知和未知异常取得良好的故障诊断结果。