当前软件系统朝着云原生、微服务的方向发展,这使得云服务模块众多、模块之间交互复杂,云服务的可靠性保障变得十分困难。一般来说,系统可靠性保障主要依赖系统运行时日志。这些日志数据分散在不同的机器上,记录了系统运行过程中的状态,是开发和运维人员调试系统和故障诊断的重要数据来源,因此日志数据需要被合理地收集和处理。在这样的背景下,日志系统应运而生。目前的日志系统一般由日志采集、日志处理、日志存储和日志查询模块组成,这些模块配合可以有效地采集和存储日志,解决了系统运行时日志的集中化存储问题。尽管如此,当前日志系统依然面临很多问题,人工处理的方式导致日志分析是低效的、容易出错的,难以应对当下云服务系统的日益复杂和日益大规模化。日志数据本身不会产生价值,对数据的处理和分析才会产生价值。因此如何在现有的日志系统架构上,提高日志数据处理的自动化程度和智能化程度,是云服务系统可靠性保障的重要环节,也是目前日志系统架构可以重点改进和优化的地方,这是本文工作的出发点和主要创新点。本文提出的面向云服务的日志处理系统聚焦在传统日志系统架构中的日志数据处理环节,主要工作分为两部分:(1)研究实时日志解析和实时异常检测关键技术;(2)在研究基础上,设计并实现日志系统。日志解析的困难在于日志格式不规范,难以用统一规则描述。本文提出的Fog方法通过构造解析树来匹配日志,用户只需要定义少量规则就可以匹配大部分格式。异常检测的困难在于日志数据多源、不规范,先前的方法集中于执行路径异常检测,且主要是离线算法,本文提出的Intelli Log利用深度学习技术进行异常检测,不仅涵盖执行路径异常,还考虑到系统状态值异常,且是在线算法。设计日志系统的困难在于数据量大、实时性要求高,本文将日志系统划分为离线日志处理和实时日志处理两个子系统,通过流计算等技术能够很好地处理大数据量并做到实时计算。通过对云联络中心的日志数据进行分析和处理,本文得到如下结果。首先,本文提出的日志解析方法Fog能够应对自由格式的日志,性能上单线程下即达到了10000条/秒的处理速度,此外还支持并行加速。其次,Intelli Log异常检测模型与先前方法相比效果良好,性能上在CPU下每秒能处理12000条数据以上,文中还给出了异常的案例分析。最后,本文设计与实现的日志系统实际日志解析和异常检测的时延在1.5～5秒之间,文中还给出了本系统在云联络中心线上的实际体验。这些结果表明,本文提出的系统能够满足云服务的日志处理需求,具备新颖性和实际价值。