用于KPI异常检测的自适应阈值启发式方法
机器学习
2023-08-22 v1 机器学习
摘要
时间序列领域已探索大量离群点检测器，然而在业务意义上，并非所有离群点都是关注的异常。现有异常检测方案局限于特定离群点检测器，限制了其在更广泛异常检测用例中的适用性。网络KPI（关键绩效指标）往往表现出随机行为而产生统计离群点，其中大多数不会对业务运营产生不利影响。因此，需要一种启发式方法来捕捉时间序列KPI中异常的业务定义。本文提出一种自适应阈值启发式方法（ATH），基于数据分布的局部特性动态调整检测阈值，并适应时间序列模式的变化。该启发式依据期望周期性与观测到的异常比例推导阈值，以最小化误报并应对概念漂移。ATH可与任意底层季节性分解方法及产生离群点分数的离群点检测器联合使用。该方法已在爱立信生成的标注KPI异常数据集 EON1-Cell-U 上测试以验证假设。实验结果表明，ATH计算高效，可扩展用于近实时异常检测，并可与多种预测器与离群点检测器灵活配合。
引用
@article{arxiv.2308.10504,
title = {Adaptive Thresholding Heuristic for KPI Anomaly Detection},
author = {Ebenezer R. H. P. Isaac and Akshat Sharma},
journal= {arXiv preprint arXiv:2308.10504},
year = {2023}
}