现代软件系统在复杂性和数量方面不断增长，对多变量监测指标进行异常检测变得越来越关键和具有挑战性。本文提出了一种基于协作机制的多变量监测指标上的异常检测框架 CMAnomaly，该框架能捕捉到不同指标之间以及它们的历史模式之间的依赖关系，通过代价有效的模型实现了准确的异常检测。通过实验结果表明，CMAnomaly 相对于现有基准模型在 F1 得分和运行速度上取得了显著的改进。此外，我们还分享了在华为云中部署 CMAnomaly 的经验。

Aug, 2023

研究开发了两种新的统计技术，用于自动检测云基础架构数据中的异常，采用季节性分解和鲁棒统计度量，有效实现在季节性高峰存在的情况下的异常检测。从容量规划，用户行为和监督学习三个方面证明了所提出技术的有效性。

Apr, 2017

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

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。

Oct, 2017

本文提出了一种基于 affiliation 概念的、能够解决经典精确度和召回率不足的时间序列异常检测算法的评估指标扩展方案，该指标基于地面真相和预测集之间的联系，并使用持续时间测量。实验结果表明，该扩展方案有效，可用于评估算法结果，并保持本地性评估，从而实现算法结果的精细可视化和解释。

Jun, 2022

快速有效的基于序列模式相似性的异常检测和警报过滤方法在大规模现实世界工业系统中被应用，通过与现有基准方法进行对比，验证了其普适性和稳健性。

May, 2024

本文提出了一种混合方法，用于检测用户对数据库的访问数据中的时间异常，该方法使用单个稳态模型进行异常检测，学习一个低秩稳态模型然后拟合回归模型来预测未来正常访问模式的期望可能性得分，然后使用观察到的得分和预测得分之间的差异来评估异常得分，使得时间变化的正常行为模式不被视为异常，实验结果表明了该方法的有效性。

May, 2017

本研究提出了一种自动数据库管理系统诊断系统，通过使用深度自编码器和统计过程控制方法来检测异常，使用时间序列相似度度量方法来找到相关事件。实验结果表明，该模型具有较好的效果，特别是批处理时间规范化层。

Aug, 2017

本文介绍了微软公司开发的时间序列异常检测服务的流程和算法，并且首次尝试将 Spectral Residual 模型与卷积神经网络相结合，用于时间序列异常检测，经过实验验证，在公共数据集和微软生产数据中的表现都优于现有成果。

Jun, 2019

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