曲线聚类_[技术分享]用于大规模异常检测的KPI的稳健快速聚类

本篇文稿，主要介绍2018年清华大学发表的关于快速时序聚类的文章《Robust and Rapid Clustering of KPIs for Large-Scale Anomaly Detection》的具体算法思路和整体流程。

问题复杂度

KPI本质上是一种时序数据，对KPI的聚类主要面临两种挑战：

1. KPI曲线上的噪声、异常、相位差和振幅（量纲）差异通常会改变KPI曲线的形态，从而影响相似性的判别，难以使传统方法实现快速准确的聚类；
2. 一条KPI曲线通常包括上万个数据点，时间跨度从几天到数周，从而完整的刻画了其曲线模式。因此，KPI曲线通常具有较高的维度。具体的数据形态如下所示：
   1. 噪声和异常：曲线上与正常值不符的波动
   2. 振幅差异：KPI曲线可能具有不同量级的振幅
   3. 相位差异：两条KPI曲线可能具有不同量级的振幅

算法需要处理的问题场景