随着计算机行业的快速发展,计算机软件已经被广泛的应用于社会的方方面面,软件的规模也变得越来越庞大,面对日益提高的软件可靠性要求,异常检测作为软件错误发现、异常原因分析和异常恢复的关键步骤已经变得越来越重要。软件系统异常检测即在软件上线后对不符合开发人员预期的行为进行检测的过程。日志作为开发人员理解与分析系统运行状态的重要资源,是软件异常检测不可或缺的基本内容,基于日志的软件系统异常检测已经成为目前软件开发过程中必不可少的关键阶段。与此同时,基于日志的异常检测还面临着许多困难:日志难以解析、异常检测的实时性要求较高、日志消息的内容利用率较低、日志的上下文相关性难以捕捉等。因此,基于日志数据的软件系统异常检测并非易事。针对以上的四个问题,本文提出了基于长短记忆网络(Long Short Term Memory Network,LSTM)的软件系统异常检测方法。具体的研究内容包括以下几个方面:(1)对于日志消息难以解析的问题,本文设计了一个通用的实时结构化解析方法,利用最长公共子序列(Longest Common Subsequence,LCS)的思想,将文本格式的日志消息实时解析为结构化的、计算机可处理的数据内容,同时基于前缀树优化了日志的LCS计算过程,将日志消息解析的时间复杂度由O(7)m*n~2(8)降低为O(7)n(8)。(2)针对日志的上下文高度相关性和异常非模式化的特点,本文使用LSTM模型提取正常日志序列的行为模式,并通过日志消息的上下文w预测新的日志消息,即利用LSTM模型学习时刻t的日志消息取值概率分布P r[lm _t|w],最后利用预测内容与真实内容之间的差异进行异常检测,将与预测内容差异较大的日志消息判定为异常。(3)为了充分利用日志消息的内容,在构造异常检测模型的过程中,本文分别构造了执行路径异常检测模型和参数轨迹异常检测模型,分别对应日志结构化数据中的文本常量序列和参数序列,执行路径模型用于检测软件的工作流异常,参数轨迹模型则用于检测软件的性能异常。最后,本文通过对比试验的方式对基于LSTM的软件系统异常检测方法进行测试,分别利用CloudStack和Hadoop两个数据集进行实验,对比了基于主成分分析法(principal component analysis,PCA)、N-Gram和CLSTR的异常检测模型。在CloudStack数据集和Hadoop数据集分别取得了0.8221和0.8128的F-measure取值,证明了本文方法相较于传统的异常检测方法有较大的性能提升,验证了本文方法的正确性和有效性。