随着云计算的不断发展和成熟,越来越多的企业倾向于将自己的业务系统部署于云平台来降低运营成本。云平台的资源通常封装在虚拟机中,虚拟机发生故障会导致云平台不能正常为用户提供服务。而随着云平台规模的增大,云平台中虚拟机在运行的时候容易出现故障和性能下降的情况,云服务的可用性已经成为目前云计算面临的首要问题。本文针对云平台中负载的特性以及现有云平台故障预测技术中存在的问题,将LSTM时间序列预测模型与统计的思想相结合,主要进行了以下工作:为了解决传统点值预测模型无法有效传达云平台负载状态和固定参数模型难以适应云环境动态的负载变化的问题,提出了基于自适应置信区间的LSTM算法,通过在真实的亚马逊数据集上进行对比实验的方式证明了所提出算法可以达到更高的预测精度。针对传统基于置信区间的报警算法面对云环境中频繁的任务调度易产生误报警的问题,提出了一种基于区间偏移度的故障预警算法。算法首先定义了区间偏移度的概念,表示出系统真实值相对于置信区间的偏移程度。又根据云平台故障大多都是伴随虚拟机的某些性能指标逐渐脱离正常范围而出现这一特点,通过在多步预测中计算平均区间偏移度的方式来最终判断系统是否发生故障,提高了报警的正确率。针对传统故障预警框架开销大,容易发生数据冗余等问题,设计了一种新的云平台故障预警框架并对其进行了实现。搭建了在线实验平台,通过对云平台注入异常的方式模拟真实的云环境故障,并使用所提出算法对云平台的健康状态进行预测,通过对比实验说明了本文所提出的算法具有一定的优越性。