计算系统性能异常是指在软件运行期间,由于资源逐渐耗尽或运行错误逐渐累积所导致的计算系统性能逐渐下降,最终下降到人们所不能容忍的程度的现象。性能异常检测能根据系统资源的占用情况,对提取的系统性能属性进行定量分析,实时监测系统的性能状况。 本文首先研究了性能异常检测的算法,主要有基于统计的异常检测算法、基于数据挖掘的异常检测算法、基于机器学习的异常检测算法以及基于人工免疫系统的异常检测算法,并分析了现有的异常检测算法的不足,它们不能完全满足性能异常检测的需要。其次针对性能异常检测的具体问题,采用了一般的异常检测算法,将健康的系统状态划分为一类,不健康的系统状态划分为另一类。从而提出了一种多阶段聚类算法,该算法将层次聚类和其它的聚类技术进行集成,形成多阶段聚类,有效地提高了聚类的准确度和速度;实验结果表明该算法具备较好的检测性能。再次改进了贝叶斯分类器,它不受类条件独立假设的限制,通过对属性集的筛选减少属性之间的依赖性,从而增强了贝叶斯分类器的适用性以及加快了分类的速度;实验结果表明该算法能够有效地提高分类精确度和异常检测的准确率。最后比较了两种方法各自的适用范围和优缺点。