近年来,大规模集群系统被广泛应用于高性能计算领域。然而,随着集群规模的迅速扩大、服务类型和组件结构的日益复杂,故障的发生已经成为常态。故障预测作为一种主动式的可靠性管理和故障预防机制,通过分析系统的历史状态信息来预测系统未来是否会发生故障,对于提高集群系统的可用性和适用性具有重要意义。集群由多个计算节点松耦合形成,故障可能发生于节点和系统两个层面,即集群中的节点可能由于硬件或软件缺陷产生故障,且节点故障的传播和演变可能会引发集群范围内的系统故障。研究发现,集群系统中节点指标与节点故障之间、节点故障实例之间呈现出明显的时空关联性,具体表现为:1)时间关联:节点性能指标在时间维度上的异常波动是节点故障的征兆;系统日志中频繁出现的事件序列预示着系统故障的演变过程。2)空间关联:有潜在故障的节点其性能指标会与其它承载类似服务的正常节点出现差异;节点故障会因系统的协作通信引起其他节点相继发生故障。本文通过深度挖掘故障的时空相关性,分别对节点故障和集群系统故障的精准预测展开研究。现有的节点故障预测方法多基于分类预测模型对节点性能监测指标进行分析,存在故障症状提取过于粗糙、故障样本和正常样本分布不平衡等问题。为此,本文提出了一种基于时空特征提取的节点故障预测方法(Failure Prediction Method Based on Spatio-temporal Feature Extraction,FP-STE)。针对特征提取粗糙的问题,采用改进的循环神经网络(Improved GRU based on HighWay network,HW-GRU)和卷积神经网络CNN分别提取节点参数的时序特征和空间特征,增加不同类型故障症状的区分度,提升预测的准确度。另外考虑到样本不平衡对多分类预测精度的影响,本文基于SMOTE过采样和代价敏感学习对集成学习模型XGBoost进行改进。实验结果表明,FP-STE算法的预测精度优于其他方法,能有效区分多故障类型。现有的系统故障预测方法大多基于事件驱动的方法对系统日志进行分析,普遍存在预测召回率低、运行效率差、知识库更新开销大等缺点。为此,本文提出了一种基于因果关联分析的动态故障预测方法(A Dynamic Failure Prediction method for cluster system based on Causal Association Analysis,DFP-CAA)。该方法采用一种新的日志预处理算法,能够根据事件的语义相似度和时间关联性实现自适应的典型故障事件识别和日志过滤。之后针对规则提取和更新的低效性和冷启动问题,采用改进的加权增量关联规则挖掘算法IWAprori挖掘频繁事件序列,生成故障衍生规则,并在系统的整个生命周期自动触发规则更新。再者,考虑到事件之间的因果关联性和规则这类知识表达方式推理效率低等问题,设计了一种加权因果依赖图来表示事件规则,并基于因果图的正向不确定性推理对未来可能发生的故障事件进行预测。最后,通过三个真实的系统日志LANL、Blue Gene/L、Blue Gene/Q验证了改进方法的有效性和优越性。