随着云计算的发展,信息业务系统和应用上云已经成为了主流。目前,有很多大型系统都运行在公有云与私有云或者本地基础设施相结合的复杂混合云环境中。在这样复杂的混合云环境中,对系统进行实时监控和运维数据采集,并通过采集到的数据进行异常检测和故障定位是一件困难的事。在这样的背景下,本文结合混合云系统的特点,设计了一个通用的实时监控和数据采集框架。通过在混合云系统“功夫编程”中部署上述框架,证明该框架的通用性和有效性。同时,本文还提出了一种多指标异常检测和单指标故障定位的算法。通过在多个混合云数据集上进行实验,证明了该算法的准确性、通用性和有效性。最后,在此基础上实现故障定位算法的进一步改进和优化,通过大量实验证明了改进方式的可行性和有效性。本文的主要工作包括:1.提出一个通用的混合云实时监控和数据采集框架。混合云环境复杂多变,一般的监控方式无法满足其需求。因此,本文结合混合云环境与应用系统的特点,设计了通用的混合云实时监控和数据采集框架,以解决混合云环境中实时监控和数据采集困难的问题。该框架主要分为实时监控模块和数据采集模块。实时监控模块的主要功能包括运维数据的监控、运维数据的可视化和基础告警。运维数据的监控部分又细分为公有云监控,私有云监控和本地基础设施监控。数据采集模块的主要功能包括运维数据的定时采集,数据规范化、数据永久存储。本文在一个典型的混合云系统——在线实训平台“功夫编程”中部署了该通用框架,采集整个系统包括主机、容器服务、数据库等在内的所有运维数据,并将这些数据通过可视化方式进行展示。另外,这些数据也被应用到了后续的异常检测和故障定位的研究中。2.提出一种多指标异常检测和单指标故障定位算法。首先,本文定义了多指标异常检测和故障定位的场景,将故障定位简化为了子时间序列的单指标异常检测问题。在算法设计上,多指标异常检测模块结合了卷积神经网络和卷积长短记忆网络（Conv-LSTM）。本文同时考虑了异常在时间维度和指标维度的变化,通过Conv-LSTM获取时间维度和指标维度的特征,解决了混合云系统中的多指标异常检测问题。单指标故障定位模块采用了加权移动平均（WMA）、指数移动平均（EMA）和STL分解三者相结合的方式,能够准确且快速地定位到触发异常的具体指标,解决了混合云系统中的故障定位问题。在实验中,本文使用多个混合云数据集在异常检测准确性、故障定位的速度和准确性等方面进行对比。经过大量的实验证明该算法在混合云系统多指标异常检测和故障定位方面的有效性。3.提出一种结合TCN和注意力机制的故障定位改进算法。针对第2点工作提出的故障定位算法,本文结合时间卷积网络（TCN）和全局注意力机制对其进行改进,大大提高了故障定位的准确性。改进后的算法由扩张卷积网络和残差连接模块组成,每一层卷积层之上又增加了一层注意力机制层,能够更好地获取较大感受野内的时间数据特征,解决了故障定位算法速度虽快但准确性不够高的问题。本文在多个混合云数据集上进行大量实验,证明算法的改进方式是可行且有效的。