我在监控团队工作,我们会监控我们的客户端负载在我们的工具上。 我们分别用时间序列记录了延迟。在
最初,我保持一个静态阈值来提高异常检测。然而,如果季节性发生,它就不起作用了。我正在申请我的数据。在
我的数据看起来像:
volume_nfs_ops timestamp mount_point
---------------------------------------------------------
2103 6/28/2018 3:16 /slowfs/us01dwt2p311
12440 6/28/2018 6:03 /slowfs/us01dwt2p311
14501 6/28/2018 14:20 /slowfs/us01dwt2p311
12482 6/28/2018 14:45 /slowfs/us01dwt2p311
10420 6/28/2018 18:09 /slowfs/us01dwt2p311
7203 6/28/2018 18:34 /slowfs/us01dwt2p311
14104 6/28/2018 21:58 /slowfs/us01dwt2p311
6996 6/29/2018 7:35 /slowfs/us01dwt2p311
11282 6/29/2018 8:39 /slowfs/us01dwt2p311
当我做google时,我发现ARIMA是时间序列的最佳模型。我对数学很在行,可以考虑各自的ARIMA是否适合我的数据集。在
我的问题是哪种算法最好用Python实现? 我应该考虑哪些因素来发现异常?在
异常检测技术有很多种。即使要检测时间序列数据中的异常,也不需要进行时间序列预测算法很少方法-
A)如果已知异常,使用分类算法。在你的情况下可能是异常的阈值?-在
https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html
B)如果在数据。那么你需要使用无监督的异常检测算法。K均值、LOF、CBF、PCA、角度等
C)无监督的算法(聚类的离群值)从不给出异常值,而是这些异常值,因此如果您觉得异常值代表异常,则使用这些基于聚类(B)的异常检测算法。在
4)异常检测和时间序列是专业领域。别搞糊涂了。我可以分享一些文件,如果你认为你正在寻找无监督的异常检测算法。在
相关问题 更多 >
编程相关推荐