日志对维护系统的可靠性和可用性具有十分重要的意义,异常日志消息的出现往往标志着系统异常的发生。然而,随着系统规模的不断扩大、系统复杂程度的不断增加和系统功能及业务的不断扩展,现代系统产生的日志规模也随之快速增长,仅依靠人工分析海量的日志消息进行系统异常检测及诊断已无法满足大型系统的运维需要。同时,仅将日志消息简单区分为正常和异常,并对异常日志消息直接告警,极易导致告警风暴的出现,即一些非严重系统异常重复、频繁告警,而在短时间内会造成系统宕机或性能快速下降的严重系统异常无法及时得到运维人员的重点关注。本文旨在提出一种自动、高效、准确的系统异常检测及诊断方法,其主要贡献如下:（1）在系统日志预处理阶段,本文所提方法首先采用在线日志解析方法将原始日志消息解析为其对应的日志事件。然后,根据原始日志消息的特点,采用不同策略划分日志序列。最后,从日志执行次数和日志执行顺序两个方面对日志序列进行特征提取,在充分保留日志序列信息的同时,生成固定维度的特征向量,便于后续进行系统异常检测及诊断。（2）在系统异常检测阶段,本文所提方法使用变分自编码器构建系统异常检测模型。在训练阶段,异常检测模型仅需使用正常日志序列生成的特征向量进行训练,并通过变分自编码器学习正常日志序列中蕴含的模式。在检测阶段,根据待检测序列生成的特征向量在经训练好的变分自编码器处理后是否符合学习到的正常模式,区分其是否为异常。区别于其它基于变分自编码器的异常检测方法,本文通过统计正常日志序列应符合的距离区间,而非设置单一距离阈值区分正常、异常,降低了系统异常检测模型的训练难度,并提高了系统异常检测的准确率。（3）在系统异常诊断阶段,由于缺乏种类齐全、标记准确的异常日志构建训练集,本文所提方法采用小样本学习中的孪生神经网络构建异常诊断模型,将对异常日志序列的多分类问题转化为相似度判别问题。在训练阶段,异常诊断模型仅需使用易收集的异常类型日志序列进行训练。通过基于余弦相似度构建损失函数,孪生神经网络可以更好地学习并判断两条输入向量是否属于同类型异常。在诊断阶段,异常诊断模型使用训练好的孪生神经网络判断待诊断序列生成的特征向量,与哪些历史异常数据库中已知类型的异常日志序列生成的特征向量相似,从而诊断出待诊断序列所属的具体异常类型。