面向部署的汽车时序异常检测评估框架 ECoLAD

时序异常检测器通常在工作站级硬件上进行无约束执行进行比较，但实际车载监控需要在受限CPU 平行度下实现可预测的延迟和稳定行为。仅基于准确性的排行榜因此可能误导哪些方法在部署相关约束下仍然可行。我们提出ECoLAD (Efficiency Compute Ladder for Anomaly Detection)，作为针对部署的评估协议，在专有汽车遥测数据（异常率 ${\approx}$0.022）和补充公开基准上实现为经验研究。ECoLAD 通过在异构检测器族中应用单调计算削减梯度，使用机械确定的整数缩放规则和显式CPU 线程限制，同时记录每个应用的配置变更。通过扫描目标评分率来表征受限行为，并报告(i)满足目标的实体比例(覆盖率)和(ii)在满足目标的测量梯度配置中实现的最佳AUC-PR。针对受限汽车遥测，轻量级经典检测器在整个吞吐量扫描范围内保持覆盖率和检测提升高于随机基线。几种深度方法在丢失准确性之前就失去可行性。