在通往exascale系统的道路上,可靠性（仅次于并行管理和能源效率）被视为三大挑战之一。虽然一些预言性的高度频繁的故障预言并没有成为现实,但对于当前和未来的系统设计来说,这种预言今天仍然有可能应验。未来保证高性能计算机的可靠性,有很多容错技术被提出和应用。最典型的就是通过定期将程序的状态保存到检查点文件,且在故障发生时进行系统恢复的检查点回滚恢复方法来保证系统的可靠性。然而,任何用于容错的技术都面临着被动反应的挑战,因为故障可能在任何时候发生。因此,大量的研究集中在预测故障上,即预测故障的能力,这样就可以在故障出现之前采取规避措施。准确的故障分析与预测带来的好处是非常重要的:它能够使系统仍然在工作的情况下进行响应,从而简化缓解机制;它消除了频繁保存和随后恢复数据的昂贵机制;结合热交换硬件,它可以简化系统管理和增加应用,能够更容易地推理全局应用状态。因此,为保证高性能计算机系统的可靠性,本文也将采用主动容错机制,结合高性能计算机系统的体系结构与故障特征,利用机器学习的方法,进行故障预测相关的研究工作。故障的预测可以基于历史故障来实现。本文使用的历史故障数据是自主高性能计算机系统投产后工作故障日志信息203510247条,时间跨度为2016年1月28日至2016年12月6日。由于系统存在差异性,因此,每个计算机系统的故障特征也是有差异的,而国内目前很少有对自主系统故障特征进行研究的工作。故而,本文首先利用高性能故障日志数据,对日志来源的系统进行故障特征分析,得到该系统故障的时空分布特性等,并与国外系统进行故障分布特征进行对比。为了更好的进行故障分析与预测,本文对故障日志数据进行了预处理,得到故障时间序列。由于导致系统故障发生原因较多,故障与故障之间也许存在相关性,同样,故障本身与时间相关,故障类型较多。因此,本文利用了机器学习的方法对故障进行聚类分析,并应用于后续的研究工作。结果表明故障可大致分为三类,并且,每一类都有着各自的特征。接下来,本文结合机器学习与故障分析结论,首先使用单向长短期记忆神经网络（LSTM）,提出了基于单向LSTM的故障预测模型,通过实验设计,实现了对故障发生提前时间的预测和故障发生结点位置的预测。实验结果表明,基于单向的LSTM的故障预测模型的准确率可达80.56%,较之前传统的故障分析模型,提高了故障分析准确度。鉴于目前机器学习技术的预测能力强大,本文在考虑单向LSTM后,仍提出了基于多类机器学习组合的故障预测模型。在这个模型里,使用了双向LSTM和卷积神经网络（CNN）层,注意力机制可以使故障预测更聚焦于影响更大的因素,因此,该预测模型中也加入了注意力机制（attention）,为防止过度拟合,引入了辍学技术（dropout）。通过实验设计,实现了对故障发生提前时间的预测和故障发生结点位置的预测。与基于单向LSTM的故障预测模型相比,基于多类机器学习组合的故障预测模型在有的故障类别里,可以实现更好的故障提前时间的预测,但是,对故障发生结点位置的预测却远不及单向LSTM。总之,通过基于单向LSTM的故障预测模型与基于多类机器学习组合的故障预测模型对故障的预测结果对比,结合故障的类别、故障发生的原因以及故障的时空关系,可以知道:故障分析和故障预测是相关连的,基于机器学习的故障预测模型可以达到很好的故障时空预测结果,能够有效的提高系统的可靠性;并且,时空预测的准确性与故障类型相关;另外,某一确定的模型可能不能同时实现对故障时空的预测的最佳效果,因此,本文对以后考虑联合故障时空预测分析也具有指导意义,这将需要研究更充分有效模型做到关联分析并使时空故障预测同时达到最优。