多元高斯分布异常检测代码_智能运维常见时序数据异常点检测技术

概述

通常时序数据的异常值主要分为三类：

1. 异常值 Outlier
   给定输入时间序列
   ，异常值是时间戳值对
   ，其中观测值
   ，与该时间序列的期望值（即
   ）不同。
2. 波动点 Change Point
   给定输入时间序列 x，波动点是指在某个时间 t，其状态（行为）在这个时间序列上表现出
   与 t 前后的值不同 。
3. 异常时间序列（ Anomalous Time-series )
   给定一组时间序列
   ，异常时间序列
   是在
   上与大多数时间序列值不一致的部分

时序数据常用特征

时序数据常见特征

用于建模实验的常见指标，衡量模型好坏

异常检测方法

主要分为三大类：

1. 基于统计模型
   基于统计模型的异常点检测技术将所有数据构建成一个数据模型，其认为异常点是那些与模型不能完美拟合的对象。
2. 基于邻近度
   通常可以在对象之间定义邻近性度量。异常对象是那些远离大部分其他对象的对象。
3. 基于密度的技术
   对象的密度估计可以相对直接计算，特别是当对象之间存在邻近性度量时。当一个点的局部密度显著低于它的大部分近邻时，可能会被看作是异常的。

基于统计模型的异常点检测

基于数据，构建一个概率分布模型，得出模 型的概率密度函数。通常，异常点的概率是很低的。

基于正态分布的一元异常点检测