異常檢測論文（論文檢測存在的問題及修改說明）
本文目錄一覽：
僅有0.1M可訓參數,AIOps日志異常檢測新范式
1、在adapter-based tuning階段，模型在transformer中插入adapter，并在訓練過程中僅更新adapter中的參數。由于transformer中的參數包含了原日志源中的異常語義信息，adapter中的參數重點學習目標日志源中獨有的異常信息。適應新日志源的靈活性還可以不斷插入更多的adapter。
2、綜上，AIops中無監督異常檢測涉及算法選擇、數據預處理、模型訓練與評估等步驟，針對不同數據類型和特征采用合適的算法進行異常檢測。深度學習方法在處理時序數據和文本日志數據時表現出優勢，通過預處理增強數據穩定性，進一步提高異常檢測的準確性和效率。
3、另一個是AIOps原子能力采用標準化模型規范，統一數據輸入，參數配置，結果輸出等接口。為AIOps單點原子能力到靈活的組合串接提供了基礎。
4、異常檢測是關鍵，它通過AI算法實時檢測出監控數據中的異常，相較于傳統方法，具備易配置、準確率高和廣泛覆蓋的優勢。團隊對算法進行了優化，針對業務黃金指標（如在線人數）、性能指標（如CPU使用率）和文本數據（如日志），分別采用有監督和無監督模型，確保高效率地識別問題。
5、目前，博睿數據在AIOps 技術方面主要落地了三大場景。即智能基線預測、異常檢測及告警收斂。隨著企業業務規模擴大，云原生與微服務的興起，企業IT架構復雜性呈現指數級增長。而傳統的IT運維手段面臨故障發生后，查找故障原因困難，故障平均修復時間周期長，已無法滿足新的運維要求。
6、首先，AIOps在事件管理中的賦能場景包括：事前預防：通過變更檢測，對配置變更的風險進行識別，利用歷史數據挖掘約束規則，區分合法與異常變更。事中快恢：實時異常發現，通過智能算法檢測鄰近點分布相似性，確保快速定位異常，減少MTTD和MTTR。
...Transformer:基于關聯差異的時間序列異常檢測方法
1、在2022年的ICLR會議上，清華大學的研究團隊發表了一篇創新論文，名為"；Anomaly-Transformer：基于關聯差異的時間序列異常檢測方法"；。該研究旨在解決無監督時序異常檢測中的挑戰，通過提出一種新穎的模型來識別服務器監測、地空探索等領域的異常情況。
2、在實際應用中，時間序列異常檢測方法包括但不限于：DBSCAN算法、孤立森林、基于聚類的方法等。其中，DBSCAN算法能夠識別出無法形成聚類簇的孤立點，標記為異常點。時間序列分析在檢測異常值時，常采用移動平均法、同期對比增長等技術。
3、建立模型 自回歸模型：利用時間序列的歷史數據預測未來值，并設定閾值檢測異常。 滑動平均模型：通過平滑時間序列數據來減少噪聲，提高異常檢測的準確性。 自回歸滑動平均模型：結合AR和MA的特點，建立更復雜的模型以捕捉時間序列中的長期和短期依賴關系。
4、基于距離的方法：Discordbased：通過識別與最近鄰距離最大的子序列來檢測異常。Clusterbased：利用聚類分析識別異常，異常程度基于子序列的非成員關系。基于密度的方法：Distributionbased：基于統計特征構建分布來識別異常。Graphbased：將時間序列表示為圖結構，通過分析節點和邊來檢測異常。
5、模型訓練與推斷：通過減少真實數據與重構數據差異實現VAE訓練目標。使用MCMC插補算法解釋異常檢測結果。解釋方法：為檢測到的異常實體找到一組最異常指標，通過MCMC插補獲得合理潛在嵌入和重建，判斷異常維度。
建設工程質量檢測
建設工程質量檢測業務內容包括專項檢測和見證取樣檢測。具體檢測項目如下：專項檢測：地基基礎工程檢測，主體結構工程現場檢測，建筑幕墻工程檢測，鋼結構工程檢測，建筑智能工程檢測，房屋建筑安裝工程功能性檢測，民用建筑節能檢測，民用建筑工程室內環境污染檢測，市政道路工程檢測，市政橋梁、軌道交通工程結構現場檢測。
建設工程質量檢測是一項至關重要的活動，它通過監督和檢查建筑結構、工程材料、施工工藝等方面，確保建設工程的質量符合相關標準和要求。這項活動的主要目標是保障建筑的安全性、耐久性、保溫性和隔熱性能，從而實現經濟效益與社會效益的雙重提升。
關于建設工程質量鑒定的規定主要包括以下幾點：未經竣工驗收合格的建設工程：對地基基礎工程和主體結構的質量鑒定申請，應予準許。
工程質量鑒定收費標準如下： 在不超過10萬元的基準價上，根據超過部分的價值數額實行不超過0.1%~1%的階梯性收費。省級價格主管部門會同同級司法行政部門結合當地實際情況制定基準價。
致力于建筑工程多種結構的精確檢測和鑒定服務（涵蓋混凝土結構、砌體結構、鋼結構等）；同時涵蓋針對塔桅以及高聳建（構）筑物的精密檢測，以及建筑構建配件質量的嚴格檢測。此外，我們還提供振動測試、結構應力測試和結構性能現場試驗等服務。
[論文閱讀]時序數據中的異常檢測
時序數據中的異常檢測論文主要內容和結論如下：異常樣本的統一范式定義：論文提出了對異常樣本的統一范式定義，以彌補現有研究中異常樣本種類定義不統一的問題。通過細分collective outliers為shapelet outliers、seasonal outliers和trend outliers，使得異常檢測更為精細化。
時序數據中的異常檢測問題在學術界較少有深入對比與分析，大多研究僅關注模型內在機理的探究，對異常樣本種類的定義尚不統一。本文旨在通過統一范式定義異常樣本，利用自動生成的合成數據對模型進行評價，彌補現有研究的不足。
Period方法由離線周期性檢測和在線適應性異常檢測兩部分組成，有效減輕了節假日效應對時間序列異常檢測的影響。未來，預計會有更多學者提出解決時間序列異常檢測問題的方法。同時，通過Label-Less方法，研究團隊探索了利用少量樣本標注獲得更多標注數據的可能性，這為時間序列異常檢測提供了新的視角。
在2022年的ICLR會議上，清華大學的研究團隊發表了一篇創新論文，名為"；Anomaly-Transformer：基于關聯差異的時間序列異常檢測方法"；。該研究旨在解決無監督時序異常檢測中的挑戰，通過提出一種新穎的模型來識別服務器監測、地空探索等領域的異常情況。
STL 方法 STL，即季節性分解時間序列預測，是一種將時間序列數據分解為季節性因素、趨勢因素和隨機誤差的統計技術。這種方法適用于具有季節性波動的數據，非常普遍。 異常檢測方法 為了更準確地識別異常，我們采用了絕對中位偏差（Median Absolute Deviation， MAD）作為衡量標準。