伴随信息科学、人工智能等技术的发展,云计算日益蓬勃发展,但任何云服务访问失败都会带来灾难性结果,因此用户亟需稳定、高可用的云平台。为提高云平台连续性服务质量,需要对云平台运行状态进行监控,由于云平台每天可产生数以万计的文本日志消息,因此利用人工智能技术对云平台日志解析和异常检测成为近几年国内外的研究热点问题。但云平台日志具有多源、异构、非结构化和复杂等特点,为日志解析和异常检测带来了巨大的挑战。本文从日志解析准确率和时效性问题入手,提出一种面向云平台的在线高效日志解析方法,在此基础上提出了基于日志模式与日志参数的异常检测方法,为云平台的连续性服务提供保障。具体研究内容如下:（1）针对当前绝大多数日志解析方法不能实时解析日志和解析准确性低的问题,本文提出一种基于字符串聚类和模板生成树的在线云平台日志解析方法LSC-TGT（Log String ClusteringTemplate Generating Tree）。利用任务标识符区分异构日志,将日志按照长度分类,通过日志字符串对日志二次聚类,使用模板生成树提取日志模板。实验结果表明,LSC-TGT提高解析准确率的同时降低了解析时间,实现了高效准确地解析非结构化日志数据。（2）针对当前绝大多数异常检测方法无法检测未知异常和漏判异常的问题,提出一种基于日志模式和日志参数的异常检测方法Log2P（Log Pattern and Log Parameter）。利用特征表示和长短期记忆网络（Long Short Term Memory,LSTM）训练日志模式异常检测模型;再利用谱残差算法压缩参数值数据,将参数值序列输入LSTM网络训练参数值异常检测模型;将两个模型融合实现全面准确的云平台异常检测。实验结果表明,相比于现有的监督学习方法和无监督学习方法,Log2P具有更高的准确性。（3）综合上述研究与成果,设计了基于日志和网络流量的云平台入侵检测模型。该模型结合主机日志数据和网络流量数据实现混合入侵检测,包含基于日志的入侵检测方法、基于网络流量的入侵检测方法和响应模块3个模块。实验结果表明本文模型在提高了检测率的同时能保证较低的误报率。