随着现代软件系统在规模方面的持续增长,愈发复杂的应用程序和大量组件的组合交互不可避免地增加了系统产生故障的概率。为了避免系统因故障意外宕机而带来的巨大成本,基于系统日志对系统故障进行快速检测定位和诊断,已成为当前软件系统异常检测领域的具有重要实践意义的研究课题。考虑到日志的打印顺序本质上是程序执行的逻辑顺序,日志条目间存在一定程度的逻辑关联关系。本文利用时间卷积网络(Temporal Convolutional Network,TCN)将日志数据视为自然语言进行建模,提出了一种基于深度神经网络模型的通用异常检测方法TCNLog,主要贡献如下:(1)提出了一种可以针对各类型系统日志中的异常进行快速检测的通用方法。该方法在日志解析阶段结合最长公共子序列算法并采用无监督方式对日志进行在线动态解析,因其不需要领域内知识进行日志预处理过程,从而具有较高的通用性。(2)基于TCN对日志键序列和参数向量序列建模并执行异常检测,可以有效地挖掘系统日志中的程序异常执行过程信息,不仅能够针对已知异常类型作出有效检测,针对未知异常类型也具有一定的检测能力。(3)通过构造系统执行过程中的任务工作流模型为异常诊断提供有效的上下文信息,极大地提高了方法的可用性。同时,采取用户交互对模型进行增量更新的方式,可以在长期使用方面保持较高的可靠性。(4)通过对日志解析并行化和降低TCN参数量的方式,降低日志解析阶段和训练阶段耗时,从而有效地提高检测效率。通过改进TCN的激活函数和全连接层,相比基于长短期记忆网络等时序模型的异常检测方法,具有更高的检测精确率。基于Blue Gene/L、HDFS、Hadoop和Open Stack四个实际系统日志数据的实验结果表明,TCNLog在实际的检测精确率和时间效率等方面较现有方法具有明显优势。