Algorithmen

Vorhersageerkenntnisse -Anomalieerkennungsalgorithmen verwenden zahlreiche Statistik-und Analyseverfahren, um Anomalien zu erkennen, wenn Vorhersageerkenntnisse sicher ist, dass anomales Verhalten auftritt.

Algorithmen zur Anomalieerkennung

Tabelle 1. Algorithmen zur Anomalieerkennung

Ihren Namen	Beschreibung
Robust Bounds	Dieser Algorithmus erkennt eine Anomalie, wenn der Wert einer Metrik von der Baseline der Metrik abweicht. Die Baseline ist der normale Betriebsbereich, den der Algorithmus für eine Metrik dynamisch verwaltet.
Flatline	Dieser Algorithmus erkennt eine Anomalie, wenn sich der Wert einer Metrik, der normalerweise variiert, nicht verändert.
Variant/Invariant	Dieser Algorithmus erkennt eine Anomalie, wenn sich der Unterschied zwischen dem höchsten und dem niedrigsten Wert einer Metrik erheblich verringert.
Granger	Dieser Algorithmus sucht nach kausalen Beziehungen zwischen Metriken und erkennt eine Anomalie, wenn sich diese kausalen Beziehungen ändern.
Finite Domain	Dieser Algorithmus erkennt eine Anomalie, wenn sich ein Metrikwert auf ein Niveau erhöht, das er zuvor nicht erreicht hat.
Predominant Range	Dieser Algorithmus erkennt eine Anomalie, wenn die Varianz eines Metrikwerts den Bereich überschreitet, in dem die Metrik normalerweise variiert.
Discrete Values	Für eine Metrik, die normalerweise eine definierte Anzahl möglicher Werte hat, erkennt dieser Algorithmus eine Anomalie, wenn die Wahrscheinlichkeit des aktuellen Werts gering ist.