Aug, 2023

KPI 异常检测的自适应阈值启发法

PDF
TL;DR本文提出了一种自适应阈值启发式方法（ATH），用于根据数据分布的本地特性动态调整检测阈值，以适应时间序列模式的变化，并通过期望的周期性和观察到的异常比例来计算阈值，以在时间序列 KPI 的异常检测中减少误判和处理概念漂移。实验结果表明，ATH 计算效率高，适用于准实时异常检测，并可与多个预测器和异常检测器灵活配合使用。
发现论文，激发创造
  • MTAD：多元时间序列异常检测工具与基准

    通过综述与评估 12 种最先进的 KPI 异常检测方法并提出了一种新的评估指标 “显著性”，该研究为未来的学术研究与工业应用提供了基础。

    Jan, 2024

  • ADT: 基于代理的动态阈值方法进行异常检测

    本研究通过将阈值问题建模为马尔可夫决策过程，并基于深度 Q 网络提出了一种基于代理的动态阈值 (ADT) 框架，该框架可以用于需要动态阈值的多个系统。通过利用自编码器从复杂输入数据中获取特征表示并生成异常得分，ADT 可以自适应地调整阈值，并显著改善异常检测性能。通过在三个真实数据集上进行实验证明了 ADT 的阈值能力、数据高效学习、稳定性和鲁棒性，并验证了强化学习在异常检测中的最优阈值控制的有效性。

    Dec, 2023

  • 电信网络 KPI 时间序列异常分类

    本文提出了一个模块化的异常分类框架，用于自动检测和分类电信网络中的异常，研究采用时间序列模拟器生成真实网络 KPI 行为的合成时间序列，构建检测模型和分类模型，并验证了在真实网络时间序列数据中应用合成异常上训练的分类模型的良好性能。

    Aug, 2023

  • 图像异常检测的启发式超参数选择

    图像中的异常检测是一个基本的计算机视觉问题，我们提出了一种减少特征维度的算法，并利用预训练模型提取的深层特征进行异常检测，以提高性能和降低计算成本。

    Jul, 2023

  • 基于统计学习的云自动异常检测

    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

  • 分层边缘计算中的物联网数据自适应异常检测

    提出了一种基于层级边缘计算系统的自适应异常检测方法，使用三个不同复杂度的 DNN 模型分别对物联网设备、边缘服务器和云进行检测，并设计了一种基于上下文信息提取的自适应方案，以同时实现高检测准确性和低检测延迟。实验结果表明与数据离线到云端处理相比，能将检测延迟降低 84%，同时保持准确性。

    Jan, 2020

  • AIOps 领域中时间序列异常检测方法的调查

    基于人工智能运维 (AIOps) 的时间序列异常检测的综述以及基于最新进展的面向实际应用和下一代时间序列异常检测的未来方向。

    Aug, 2023

  • 无监督拒绝式异常检测

    本文中我们介绍了一种基于稳定度指标的模型可靠性评估方法，进而通过选择合适的阈值进行异常数据的检测与过滤，实验结果表明我们的模型优于某些基于不确定性度量的方法。

    May, 2023

  • 高维数据的异常检测

    本文提出了一种名为 stray 的算法，使用基于极值理论的方法计算异常值阈值，针对 HDoutliers 算法的局限性进行改进，可以在准确性和计算时间上优于 HDoutliers 算法，对于数据结构中存在的异常值，使用特征工程进行检测，已在开源 R 包 stray 中实现。

    Aug, 2019

  • 时间序列异常检测的严格评估

    本研究分析了时间序列异常检测中评分协议的合理性，并提出了一种新的基准和评估协议，以帮助更精确地评估 TAD 方法并推动未来的研究。

    Sep, 2021