曹志英，曹 伟，张秀国

(大连海事大学 信息科学技术学院，辽宁 大连 116026)

0 引 言

KPI异常检测有着其特殊性[1]。现有的方法缺乏一定的普适性，在不同类型的KPI序列中异常检测的效果差别很大。基于统计的异常检测方法的缺点在于事先需要知晓数据分布[2]；基于距离的异常检测方法的局限性是复杂度高，难以兼顾数据集的维度和可扩展性，且难以检测出数据集中存在多种分布的异常情形[3,4]；基于密度的异常检测方法虽然能较好地检测出局部异常点，但是异常因子阈值等参数对模型影响很大，缺乏简单有效的参数确定方法[5]。文献[6]提出的基于核密度估计的聚类方法没有考虑数据的前后时间关联。Zhang等[7]提出一种基于BP神经网络的异常检测方法，该方法将挖掘的6个局部特征作为神经网络的输入，通过神经网络的输出来进行KPI的异常检测，但是该方法对样本数据的平衡性较敏感。文献[8，9]针对周期型KPI进行分解，然后根据指定的异常指标对分解的序列进行计算，从而判断出当前KPI是否异常；文献[10]通过“时间窗口”与平滑预测技术分析时序数据，能够消除异常数据出现的随机波动性，反映出序列的整体规律性，然而此类方法比较适用于稳定类型的时序数据；Hu等[11]提出基于元特征的方法，该方法能够较好地捕捉单元时间序列和多元时间序列的异常，然而异常检测的准确度还不够高。

对此，本文提出一种基于多维度特征分析的异常检测方法，该方法能有效地在未知数据集分布的情形下挖掘出数据的局部特征和总体特征，适应多种类型的KPI数据，具有较好的普适性。……