系统日志记录了计算机系统执行的关键操作和状态,为诊断和维护系统的运行情况提供了丰富的信息。当某些错误发生导致系统异常时,日志中也会有相应异常记录,系统开发人员与运维人员可以根据日志监控系统剖析系统的异常行为与错误。在系统日志中进行快速而又准确的异常检测、异常定位和异常修复,有助于及时消除隐患和排除故障,对于系统管理人员至关重要,引起了众多研究者的关注。随着系统和应用程序逐渐发展得多样复杂,每时每刻都在产生海量的日志数据,使得传统的手动分析变得难以实施,因此自动检测日志中可能存在的异常成为亟待解决的问题。近年来,机器学习包括深度学习技术快速发展,展示出从大量数据中构建模型的强大能力。研究者们利用这些技术设计多种模型,实现系统日志的模版解析和日志序列的异常检测等目标。然而,传统的解析方法不能衡量系统日志事件之间的相似关系,无法为异常检测提供丰富的数据支撑。同时已有的异常检测模型在数据类别不平衡的场景下性能较差,并且捕捉不到日志序列内部的长距离依赖特征,在异常模式的识别能力上有所欠缺。针对当前面临的挑战,本文深入研究系统日志文本的语义表征和日志序列的异常特征,提出一种具有语义感知及生成对抗的系统日志异常检测方法。该检测方法首先将日志文本转化成词序列,通过本文提出的预训练模型学习日志语义特征,把日志语句表征为低维特征空间的稠密向量;然后研究了注意力机制两种应用策略,创新性地将其分别与生成对抗网络的生成器和判别器有机结合,从而学习到正常日志序列的内在模式;最后根据算法和流程设计,完成系统日志异常检测系统构建,实现新鲜日志的异常检测。为了检验该方法的有效性,本文采用来自真实世界的HDFS和Open Stack两个日志数据集,对本文设计的异常检测原型系统进行了多方面的评估实验。另外还以当前最先进的日志异常检测方法Deep Log、Log Cluster、Log GAN和ROEAD作为参照,实验结果表明本系统模型的最佳架构得到了90.6%的F1分数,相比其它方法至少提高了27.8%。