MTAD：多元时间序列异常检测的工具与基准

关键性能指标（KPI）是确保许多软件系统可靠性和稳定性的重要时间序列指标。它们忠实地记录运行时状态，以促进对异常系统行为的理解，并为工程师定位根因提供信息线索。然而，现代软件系统前所未有的规模和复杂性使得 KPI 数据量激增。因此，许多传统的 KPI 异常检测方法变得不切实际，这催生了基于机器学习的解决方案在学术界和工业界的快速发展。然而，目前这些 KPI 异常检测方法之间缺乏严格的比较，且重新实现需要耗费大量精力。此外，我们观察到不同的工作采用独立的评估流程和不同的指标。其中一些可能无法完全揭示模型的能力，而另一些则在制造进步的错觉。为了更好地理解不同 KPI 异常检测器的特性并解决评估问题，本文对十二种 SOTA 方法进行了全面的回顾和评估，并提出了一种名为 salience 的新颖指标。具体而言，所选方法包括五种传统的基于机器学习的方法和七种基于深度学习的方法。这些方法使用五个公开可用的多元 KPI 数据集进行评估。同时发布了一个具有易用接口的统一工具包。我们从准确率、salience、效率和延迟方面报告了基准结果，这些对于工业部署具有实际重要性。我们相信我们的工作可以作为未来学术研究和工业应用的基础。