针对实时流数据异常检测技术的运行时效性权衡

Oct, 2017

针对实时流数据异常检测技术的运行时效性权衡

On the Runtime-Efficacy Trade-off of Anomaly Detection Techniques for Real-Time Streaming Data

Dhruv Choudhary, Arun Kejariwal, Francois Orsini

TL;DR本文研究了实时流数据下的异常检测技术，旨在提供一个有关性能与准确性表现的选择指南。该研究总结了一系列各领域应用的生产数据集，并阐述了现有技术在实时数据流上无法直接应用的问题。

Abstract

Ever growing volume and velocity of data coupled with decreasing attention span of end users underscore the critical need for real-time analytics. In this regard, anomaly detection plays a key role as an applicat

anomaly detection real-time analytics data fidelity performance characterization model selection

发现论文，激发创造

在线异常检测器的元层分析

本文提供了对不同算法家族的主要在线探测器的质量、综合概述，包括构建、更新和测试探测模型的主要思想，并提供了在线检测算法与离线对应算法的结果定量实验评估的彻底分析，以及对数据集（即元特征）的各种特征进行统计分析。

Sep, 2022

动态过程限制的实时离群值检测

本文提出了一种基于逆累积分布的在线异常检测算法，用于现有实时基础设施中低延迟检测，适用于不可预测的数据模式，并在两个实际微电网操作数据案例中展示了易于使用、快速计算和可部署的优势。

Jan, 2023

评估实时异常检测算法 - Numenta 异常基准测试

本文介绍了针对流数据异常检测的挑战，提出了基于开源工具的 Numenta Anomaly Benchmark 验证框架，用于测试不同算法的实时检测性能，主要关键词包括流数据、异常检测、时间序列数据、实时检测器、谷底检测算法。

Oct, 2015

Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022

时序数据异常值 / 异常检测综述

这篇论文讨论了时间序列中的异常检测技术，提供了一种基于特征的分类法，并对现有技术进行了全面综述。

Feb, 2020

大规模异常检测：深度分布式时间序列模型的应用

论文介绍了一种新的检测时间序列数据异常值的方法，主要应用于监测微服务和云资源健康。该方法的主要创新点是将时间序列的建模对象从实数值或实数向量扩展到了实数值（或向量）上的概率分布。

Jul, 2020

云系统中的性能问题识别与关系时序异常检测

该研究论文提出了一种关联时间异常检测模型（RTAnomaly），该模型结合了指标的关联和时间信息，通过图注意力层学习指标之间的依赖关系，并利用正无标签学习来解决训练数据中潜在异常的问题。实验证明，RTAnomaly 在公共数据集和两个工业数据集上表现优于基准模型，平均 F1 得分为 0.929，Hit@3 为 0.920。

Jul, 2023

时序异常检测；在具有有限特征和稀疏样本的嘈杂高周期数据中检测异常降落

该研究使用 TensorFlow 学习不同模型包括 DNNs, RNNs, 和 LSTMs 进行回归，并使用异常检测应用这些模型到具有噪音周期性的流量数据上，提高了检测周期性流量峰谷异常的准确度。

Aug, 2017

异常检测问题的元分析

本文使用元分析研究异常检测问题和方法，提供了大量异常检测基准数据和实验结果，分析了实验设计、指标和算法策略的影响，为异常检测问题提供了本体、方法、实验规范和未来研究的指导。

Mar, 2015

深度学习时间序列异常检测综述

本文调查了基于深度学习的时间序列异常检测的现状，提供了一种基于分类因素的分类法，并描述了每种分类法的优点和局限性，最后总结了研究中的开放性问题和采用深度异常检测模型面临的挑战。

Nov, 2022