异常检测论文（论文检测存在的问题及修改说明）
本文目录一览：
仅有0.1M可训参数,AIOps日志异常检测新范式
1、在adapter-based tuning阶段，模型在transformer中插入adapter，并在训练过程中仅更新adapter中的参数。由于transformer中的参数包含了原日志源中的异常语义信息，adapter中的参数重点学习目标日志源中独有的异常信息。适应新日志源的灵活性还可以不断插入更多的adapter。
2、综上，AIops中无监督异常检测涉及算法选择、数据预处理、模型训练与评估等步骤，针对不同数据类型和特征采用合适的算法进行异常检测。深度学习方法在处理时序数据和文本日志数据时表现出优势，通过预处理增强数据稳定性，进一步提高异常检测的准确性和效率。
3、另一个是AIOps原子能力采用标准化模型规范，统一数据输入，参数配置，结果输出等接口。为AIOps单点原子能力到灵活的组合串接提供了基础。
4、异常检测是关键，它通过AI算法实时检测出监控数据中的异常，相较于传统方法，具备易配置、准确率高和广泛覆盖的优势。团队对算法进行了优化，针对业务黄金指标（如在线人数）、性能指标（如CPU使用率）和文本数据（如日志），分别采用有监督和无监督模型，确保高效率地识别问题。
5、目前，博睿数据在AIOps 技术方面主要落地了三大场景。即智能基线预测、异常检测及告警收敛。随着企业业务规模扩大，云原生与微服务的兴起，企业IT架构复杂性呈现指数级增长。而传统的IT运维手段面临故障发生后，查找故障原因困难，故障平均修复时间周期长，已无法满足新的运维要求。
6、首先，AIOps在事件管理中的赋能场景包括：事前预防：通过变更检测，对配置变更的风险进行识别，利用历史数据挖掘约束规则，区分合法与异常变更。事中快恢：实时异常发现，通过智能算法检测邻近点分布相似性，确保快速定位异常，减少MTTD和MTTR。
...Transformer:基于关联差异的时间序列异常检测方法
1、在2022年的ICLR会议上，清华大学的研究团队发表了一篇创新论文，名为"；Anomaly-Transformer：基于关联差异的时间序列异常检测方法"；。该研究旨在解决无监督时序异常检测中的挑战，通过提出一种新颖的模型来识别服务器监测、地空探索等领域的异常情况。
2、在实际应用中，时间序列异常检测方法包括但不限于：DBSCAN算法、孤立森林、基于聚类的方法等。其中，DBSCAN算法能够识别出无法形成聚类簇的孤立点，标记为异常点。时间序列分析在检测异常值时，常采用移动平均法、同期对比增长等技术。
3、建立模型 自回归模型：利用时间序列的历史数据预测未来值，并设定阈值检测异常。 滑动平均模型：通过平滑时间序列数据来减少噪声，提高异常检测的准确性。 自回归滑动平均模型：结合AR和MA的特点，建立更复杂的模型以捕捉时间序列中的长期和短期依赖关系。
4、基于距离的方法：Discordbased：通过识别与最近邻距离最大的子序列来检测异常。Clusterbased：利用聚类分析识别异常，异常程度基于子序列的非成员关系。基于密度的方法：Distributionbased：基于统计特征构建分布来识别异常。Graphbased：将时间序列表示为图结构，通过分析节点和边来检测异常。
5、模型训练与推断：通过减少真实数据与重构数据差异实现VAE训练目标。使用MCMC插补算法解释异常检测结果。解释方法：为检测到的异常实体找到一组最异常指标，通过MCMC插补获得合理潜在嵌入和重建，判断异常维度。
建设工程质量检测
建设工程质量检测业务内容包括专项检测和见证取样检测。具体检测项目如下：专项检测：地基基础工程检测，主体结构工程现场检测，建筑幕墙工程检测，钢结构工程检测，建筑智能工程检测，房屋建筑安装工程功能性检测，民用建筑节能检测，民用建筑工程室内环境污染检测，市政道路工程检测，市政桥梁、轨道交通工程结构现场检测。
建设工程质量检测是一项至关重要的活动，它通过监督和检查建筑结构、工程材料、施工工艺等方面，确保建设工程的质量符合相关标准和要求。这项活动的主要目标是保障建筑的安全性、耐久性、保温性和隔热性能，从而实现经济效益与社会效益的双重提升。
关于建设工程质量鉴定的规定主要包括以下几点：未经竣工验收合格的建设工程：对地基基础工程和主体结构的质量鉴定申请，应予准许。
工程质量鉴定收费标准如下： 在不超过10万元的基准价上，根据超过部分的价值数额实行不超过0.1%~1%的阶梯性收费。省级价格主管部门会同同级司法行政部门结合当地实际情况制定基准价。
致力于建筑工程多种结构的精确检测和鉴定服务（涵盖混凝土结构、砌体结构、钢结构等）；同时涵盖针对塔桅以及高耸建（构）筑物的精密检测，以及建筑构建配件质量的严格检测。此外，我们还提供振动测试、结构应力测试和结构性能现场试验等服务。
[论文阅读]时序数据中的异常检测
时序数据中的异常检测论文主要内容和结论如下：异常样本的统一范式定义：论文提出了对异常样本的统一范式定义，以弥补现有研究中异常样本种类定义不统一的问题。通过细分collective outliers为shapelet outliers、seasonal outliers和trend outliers，使得异常检测更为精细化。
时序数据中的异常检测问题在学术界较少有深入对比与分析，大多研究仅关注模型内在机理的探究，对异常样本种类的定义尚不统一。本文旨在通过统一范式定义异常样本，利用自动生成的合成数据对模型进行评价，弥补现有研究的不足。
Period方法由离线周期性检测和在线适应性异常检测两部分组成，有效减轻了节假日效应对时间序列异常检测的影响。未来，预计会有更多学者提出解决时间序列异常检测问题的方法。同时，通过Label-Less方法，研究团队探索了利用少量样本标注获得更多标注数据的可能性，这为时间序列异常检测提供了新的视角。
在2022年的ICLR会议上，清华大学的研究团队发表了一篇创新论文，名为"；Anomaly-Transformer：基于关联差异的时间序列异常检测方法"；。该研究旨在解决无监督时序异常检测中的挑战，通过提出一种新颖的模型来识别服务器监测、地空探索等领域的异常情况。
STL 方法 STL，即季节性分解时间序列预测，是一种将时间序列数据分解为季节性因素、趋势因素和随机误差的统计技术。这种方法适用于具有季节性波动的数据，非常普遍。 异常检测方法 为了更准确地识别异常，我们采用了绝对中位偏差（Median Absolute Deviation， MAD）作为衡量标准。