自愈调控是构建可信计算机系统的必要手段,也是系统高可用性的重要保证。传统的分布式系统失效恢复技术主要依赖高成本冗余和人为管理,由于系统失效后人为修复的难度和成本加大,如何实现无人干预下自主修复系统失效,维持系统高可用性成为当前研究的一个热点。针对分布式系统自愈调控领域中的主要问题,本文开展了一系列研究,主要体现在如下几个方面:提出一种分布式系统失效恢复的部分可观察随机决策模型(PartiallyObservable Markov Decision Processes model),并采用FIB(Fast InformedBound)值迭代方法来求解POMDP模型,解决了不准确的失效检测下分布式系统恢复策略生成问题。为衡量恢复策略的近似最优性,首先证明FIB迭代收敛并具有压缩映射的性质,然后给出POMDP模型最优解的界,进而利用最优解的最大界差(Maximum Bound Difference)估计近似最优解的误差。以某网络安全态势感知系统为例进行仿真实验,与其他恢复策略相比POMDP策略对于不准确检测下的失效恢复具有较好的效果。提出了一个基于微重启的分布式系统任务失效快速恢复模型,该模型与现有恢复模型相比,不仅考虑到了恢复时间,还考虑到了恢复的可靠性代价问题,因此更加接近于实际和精确。在此基础上提出了一个基于扩展型贝叶斯分析的实时恢复算法。算法以提高系统的可用性为目标,并在时间优先级相同的情况下考虑了可靠性代价。最后对扩展性贝叶斯分析的实时恢复算法进行了可恢复性证明,为系统失效自恢复提供了相应的理论依据。为了解决失效预测问题,本文提出了基于流形学习的失效预测方法,并将非线性降维的思想应用到了失效特征提取中,提出一种基于有监督Hessian局部线性嵌入降维的特征提取方法,从而实现了失效内在特征自动提取和无人干预下的失效预测,以小型局域网即时通讯系统为研究对象搭建失效预测实验环境,初步实验结果说明了基于流形学习的失效预测方法的可行性。