智能巡检使用流式图算法和流式分解算法进行数据巡检

　　智能巡检使用流式图算法和流式分解算法进行数据巡检

　　日志服务提供智能巡检功能，用于对监控指标或业务日志等数据进行自动、智能、自适应的异常巡检。目前智能巡检采用流图算法和流分解算法进行数据巡检。本文介绍了流图算法和流分解算法的适用场景、参数配置、预览说明等。

　　流图算法

　　流式图算法是基于Time2Graph系列模型中的原理开发的，可以从整体上降低数据的噪声，分析异常数据的相对偏差。流图算法适用于*敏*感*词*、嘈杂、不显眼的时间序列的异常检测。有关详细信息，请参阅使用进化状态图进行时间序列事件预测。

　　场景描述

　　流式图算法使用在线机器学习技术实时学习和推断每条数据。适用于一般的时间序列异常检测场景，包括：

　　参数配置

　　您可以在创建智能巡更作业配置向导页面的算法配置区完成算法配置。具体操作请参考。

　　各参数说明如下表所示。

　　参数说明

　　时间序列段数

　　划分时间序列值，用于离散时间序列，构建时间序列演化图，减少噪声的影响。建议预览不同时序段下的检测结果，选择最合适的值。

　　观察长度

　　要观察的历史数据点的数量。

　　灵敏度

　　异常分数输出的敏感性。

　　预览说明

　　预览示例如下图所示。

　　流分解算法

　　流分解算法是基于RobustSTL系列模型中的原理开发的，可以批量处理数据流，但计算成本较高，适用于小规模业务指标数据的精准检测。在*敏*感*词*数据场景下，建议您拆分数据或使用流图算法。如需了解详情，请参阅 RobustSTL：针对长时间序列的稳健季节性趋势分解算法。

　　场景描述

　　流分解算法适用于周期性数据序列的巡检，要求数据的周期性更明显。例如，适用于业务指标有明显周期性变化的检查场景。

　　说明周期性数据在日常生活中比较常见，比如游戏访问次数和客户订单。

　　参数配置

　　您可以在创建智能巡更作业配置向导页面的算法配置区完成算法配置。具体操作请参考。

　　各参数说明如下表所示。

　　参数说明

　　周期长度

　　以点为单位描述一个周期内数据序列中收录的数据点数。数据系列默认为天数。例如，如果粒度为120秒，周期为天，那么一个周期内收录的数据点数为24×60×60/120=720个。

　　注意时间段的长度必须是时间序列的时间段，否则会影响检查效果。

　　灵敏度

　　异常分数输出的敏感性。

　　预览说明

　　预览流式分解算法的异常检测结果时，系统默认选择最近4个周期的数据进行预览。预览示例如下图所示。

　　对于嘈杂的周期数据，您需要在预览页面上继续调试，直到配置了确切的周期长度。在噪声较大的情况下，由于噪声干扰，可能存在漏报或虚报。预览示例如下图所示。