网络功能虚拟化是目前的一个热门研究方向。它对现有的网络进行标准化的改进,采用软硬件解耦的方法,在标准的x86硬件之上使用软件来替代传统的专业设备,进而实现各种网络功能。提高了网络功能开发的效率,让部署于管理网络功能更加的便捷。虽然网络功能虚拟化在当前得到了大量的应用,但是其相对传统专业设备更加的不稳定,带来了不小的网络稳定性方面的挑战。网络功能虚拟化环境下的网络相比传统网络更加复杂,同时也因为软件带来的影响,使得故障更加容易发生。在发生故障之后,能否迅速的定位故障并对其进行相应的维护,对系统提供的长期可靠稳定的服务是非常重要地。本文对网络功能虚拟化环境下的故障检测以及故障管理两个方面进行了相应的研究,并对故障预测与提前管理技术方面做出了补充。(1)针对传统的检测技术在网络功能虚拟化环境下的缺陷,本文采用了基于机器学习的融合模型,提出了一种故障检测的技术流程。这种方式对于网络功能虚拟化环境具备很好的适应性,能够在传统检测无法弥补的缺陷方面进行很好的改进,提高检测的准确度。同时还采取了一定的修正机制,防止因为网络波动造成的误判。并且针对检测出来的故障,对其故障原因以及故障位置的定位方面进行了一定的分析,确保能够找出故障发生的源头与原因。(2)在故障管理方面。我们首先提出了故障预测处理的方法,采用gcForest作为故障预测的模型。根据前文所获取的标签数据对网络状态进行实时侦测,提前预知即将发生的网络故障,方便我们对网络问题进行提前处理,增强网络的稳定性,减少因服务质量造成的服务暂停等问题。在此基础上,我们提出了一种网络管理模式,对于不同严重程度的网络节点采用不同的管理方式,减少因节点迁移和部署所造成的开销。本文还对故障节点的迁移与部署方面进行了研究,提出一种多目标决策的迁移节点选择算法,找出最合适的迁移目标对网络的节点进行迁移,尽量减少迁移开销,均衡网络的负载,一定的程度上增加的网络的稳定性。本文模拟了NFV环境下的网络架构,并对其中的VNF注入不同类型的故障进行实验,仿真结果表明本文所提出的一系列机制能有效地检测定位故障,并及时的对故障和即将到来的故障问题进行修复。