流式统计算法异常检测 - 日志服务

流式统计算法异常检测针对输入的时序曲线进行统计分析，通过累积数据的分布，判断当前数据的异常程度。

适用场景

流式统计算法异常检测适用于时序数据变点异常检测。适用场景

您在创建数据加工任务时，可在模型参数配置中选择流式统计算法异常检测，用于检测时序数据的变点异常。

流式统计算法异常检测相关参数说明如下表所示。


参数	说明
时间列	时间字段，该字段所对应的值为Unix时间戳。只支持索引类型为long类型的字段。
时间粒度	数据写入的粒度，即同一个实例中最小的数据间隔，单位：秒。
实例列	选择实例列，该字段标记了一条时序曲线的名称。支持多选。只支持索引类型为text类型的字段。
选择数值列	选择对应的数值列，并配置上届和下届数据。上届：自定义阈值，如果您所选择的数值列的值大于该值，则直接判断为异常。下届：自定义阈值，如果您所选择的数值列的值小于该值，则直接判断为异常。
算法类型	选择流式统计算法异常检测。
仅保留异常结果	开启仅保留异常结果开关后，只保留异常结果到目标Logstore中。
算法检测间隔	指定发起算法检测异常的时间间隔，该值需小于等于时间粒度，单位：秒。

流式统计算法将异常程度量化为具体的分数，并写入到您指定的目标LogStore中。您可根据业务需求设置告警。输出结果


类型	字段	说明
entiy	无固定字段	表示一条时序曲线的实例列信息。
meta	project_name	时序数据来源的Project。
meta	logstore_name	时序数据来源的LogStore。
results	dim_name	您所指定的数值列。
	is_anomaly	流式统计算法判断时序数据是否异常，Bool类型。流式统计算法默认以0.75为界线，如果score值大于0.75，则为异常，显示为true。
	score	流式统计算法输出的异常程度的量化分数，范围为[0,1]，分数越大越异常。此外，-1表示数据缺失，-2表示疑似异常（可能是因为流式统计算法还未学习充分）。