优维案例|海南省某银行智能运维基于算法模型的时序数据监测

海南省某银行基于大数据的中小银行智能化运营体系建设，丰富的AI模型积累和落地经验，是该项目的核心价值，详细如下：

l 基于算法模型的时序数据监测

通过对业界的调研，时间序列数据的异常智能检测算法大致可分为两类，一类将时间序列分解为三个成分：趋势，周期性和噪声，再根据噪声部分的大小决定是否为异常，另一类基于对时间序列数据建模并预测，然后根据真实值与预测值的差距大小决定数据是否为异常。因为第二类算法更适合在线计算，性能更优，所以选择第二类基于预测的异常检测算法。

业界这两类方式的典型代表为：

第一类：Twitter AnomalyDetection

第二类：Yahoo egads

基于预测的异常检测算法可以分为两个部分，第一部分对时间序列数据建模并预测，称为时间序列模型(time series model, TSM)，第二部分根据预测值和真实值的差异决定数据是否异常，称为异常检测模型(anomaly detect model, ADM)。

TSM的算法很多，包括移动平均(Moving Average)，指数平滑(Exponential Moving Average)，自回归移动平均(Auto-Regressive and Moving Average)，自回归积分移动平均(Autoregressive Integrated Moving Average)，长短期记忆网络(Long short-term memory)等。ADM的算法分为参数化方法和非参数化方法两种，而参数化方法主要为K-Sigma算法。

算法	代表公司
基于数据统计的方法(各种移动平均方法, 数据分布直方图方法等)	Etsy skyline，Opprentice
指数平滑算法	阿里Goldeneye
Holt-Winters算法	Elasticsearch, 日志易
ARIMA / SARIMA	Datadog
Kalman filter	Splunk
Numenta HTM	无
LSTM及改进的Holt-Winters算法