作为云计算与虚拟化的核心基础设施,数据中心是数据传输,计算和存储的中心,集中了各种软硬件资源。大规模数据中心的网络通常十分复杂,因为网络中可能包含着成千上万的设备和链路,数据中心网络中的故障也十分普遍,这些设备或链路的故障有可能会引起用户服务的中断,因此,自动化地检测网络中的故障对于维护数据中心的可靠性有着十分重要的作用。目前已经有许多故障检测相关的研究。在这些研究中,有一部分是分布式系统环境中的失效检测研究,它们试图在应用层设计一个可扩展的失效检测结构,却并没有考虑网络拓扑;另一部分研究试图解决在网络中的设备故障定位问题,但并没有考虑到不同设备存在不同的检测服务质量(QoS)。基于相关工作的不足之处,本文提出了一种针对数据中心网络的故障检测方案,它能够为不同设备提供不同的故障检测服务质量。首先,本文将网络中主要设备分为两类:实时设备与非实时设备,两类设备主要区别在于前者对于故障检测的实时性要求较高。随后,本文分别归纳了两类设备在故障检测方面的服务质量。为了提供能够保证服务质量的故障检测服务,本文提出一种协同检测的结构:K检测模型来检测第一类设备的故障,K检测模型通过利用多个检测器来增加检测的可靠性和容错能力;对于第二类设备的故障检测,本文利用网络流量随时间变化的情况,使用基于前馈神经网络的方法来计算出每个设备的故障概率。本文使用ns-3搭建了一个模拟网络并且在该网络上分别实现了本文的工作以及所有的相关工作,以验证本文工作的有效性。实验结果表明,无论是对于实时设备还是非实时设备,各个评价指标所反映故障检测的服务质量均有不同程度的提高。