近年来,越来越多的开发者开始构建基于云原生架构的应用程序,“云赋能”已经成为企业数字化转型的重要方向。面对由于系统规模剧增而产生的动态、多元、海量监测指标数据,传统依赖经验的人工监测手段已无法满足运维要求。在此背景下,智能运维应运而生,旨在利用人工智能技术实现高效、低成本运维。智能运维包含两个关键场景:异常检测和根因定位。异常检测技术通过分析监测指标曲线的内在特征检测系统异常行为;根因定位（故障根因分析）技术根据故障传播图定位导致系统出现异常的根源。近年来学者们提出了许多基于系统监测指标数据的异常检测和根因定位方法,这些方法取得了良好的效果,但仍存在一定的局限性:异常检测场景中多元指标相关性对检测结果的影响未深入探究;现有根因定位方法需要针对不同系统手动调参。针对上述问题,本文开展的主要工作包括:（1）提出了一种融合时序预测模型和孤立森林的异常检测方法。首先针对云原生多元监测时序数据的特点,结合特征注意力机制和时序注意力机制实现时序数据中潜在重要信息的挖掘;在此基础上,建立时序预测模型,通过对比时序数据预测值和真实值获得预测残差;最后将预测残差作为孤立森林的输入,依据数据集特点动态调整异常阈值实现异常检测。在两个真实数据集上的实验表明本文所提算法在准确率和召回率上优于几种经典的异常检测方法。（2）提出了一种基于随机游走的异常微服务自动排序方法。首先收集系统级和应用级监测指标构建云原生系统中的服务依赖图,随后对历史响应时间指标聚类得到各微服务节点的初始异常权重,并根据局部异常传播链路自动更新服务依赖图中的异常权重。最后,采用个性化Page Rank随机游走算法对异常微服务排序。在云原生环境中的实验表明本文提出的根因定位方法能够高效定位异常根源,同时面对可拓展的云原生系统具有较强鲁棒性。