均值漂移累积监测算法（MDAM）：原理、命名、用途及实现

算法原理、命名与用途

1. 算法原理

该算法MDAM全称为均值漂移累积监测算法（Mean Drift Accumulation Monitor），核心原理是通过统计数据序列中超出基准值偏移范围的样本比例，识别均值突变：

• 设定基准值μ、允许偏移量p，构建正常区间[μ-p, μ+p]；
• 统计超出区间的样本：上偏移（>μ+p）记为cnt_up，下偏移（<μ-p）记为cnt_down；
• 计算异常比例（up_ratio = cnt_up/总样本数、down_ratio = cnt_down/总样本数），当任一比例超过阈值k时，判定为均值突变（正数表示上突，负数表示下突）。

2. 算法命名

规范命名为MDAM（Mean Drift Accumulation Monitor，均值漂移累积监测算法），既体现“均值漂移”的检测目标，也突出“累积统计”的核心逻辑，避免与现有算法混淆。

3. 主要用途

MDAM适用于需快速检测数据序列均值突变的场景，典型用途包括：

• 工业监控：生产线温度、压力等指标的异常波动检测；
• 网络安全：识别DDoS攻击等流量突增/突减异常；
• 医疗监测：生命体征（如心率、血压）的异常漂移预警；
• 金融风控：交易金额、频次的突变模式识别；
• 环境监测：空气质量、水质指标的均值突变检测。

Python详细函数示例（优化版）

以下是结合向量化计算和动态基准更新的优化函数，支持批量数据检测和抗干扰参数调整：

import numpy as np
from typing import Union, Tuple, Optional

def mdam_detect(
    data: Union[list, np.ndarray],
    base_window: int,  # 用于计算基准值μ的历史数据窗口大小
    p: float,  # 允许偏移量
    k: float = 0.8,  # 异常比例阈值（0-1）
    detect_window: int = 100  # 每次检测的滑动窗口大小
) -> Tuple[np.ndarray, np.ndarray]:
    """
    MDAM算法：检测数据序列中的均值突变
    
    参数：
        data: 输入数据序列（list或numpy数组）
        base_window: 计算基准值μ的历史窗口大小（如前100个数据）
        p: 允许的偏移量（如2倍标准差）
        k: 异常比例阈值（默认0.8，即80%数据超范围则判定突变）
        detect_window: 滑动检测窗口大小（每次检测最近N个数据）
    
    返回：
       突变标记数组：1表示上突，-1表示下突，0表示无突变
        异常比例数组：对应每个检测窗口的上突/下突比例（正数为上，负数为下）
    """
    # 数据预处理
    data = np.asarray(data, dtype=np.float64)
    if len(data) < base_window + detect_window:
        raise ValueError("数据长度需大于基准窗口+检测窗口")
    
    # 初始化结果数组
    n_windows = len(data) - base_window - detect_window + 1
    突变标记 = np.zeros(n_windows, dtype=int)
    异常比例 = np.zeros(n_windows, dtype=np.float64)
    
    for i in range(n_windows):
        # 动态计算基准值μ（当前窗口前的base_window个数据的均值）
        base_data = data[i : i + base_window]
        mu = np.mean(base_data)
        
        # 待检测窗口数据
        detect_data = data[i + base_window : i + base_window + detect_window]
        
        # 计算上/下偏移比例
        up_mask = detect_data > (mu + p)
        down_mask = detect_data < (mu - p)
        cnt_up = np.sum(up_mask)
        cnt_down = np.sum(down_mask)
        total = len(detect_data)
        
        up_ratio = cnt_up / total
        down_ratio = cnt_down / total
        
        # 判定突变
        if up_ratio > k:
            突变标记[i] = 1
            异常比例[i] = round(up_ratio, 3)
        elif down_ratio > k:
            突变标记[i] = -1
            异常比例[i] = -round(down_ratio, 3)
        else:
            突变标记[i] = 0
            异常比例[i] = 0.0
    
    return 突变标记, 异常比例


# 示例：检测模拟数据中的突变
if __name__ == "__main__":
    # 生成模拟数据：前500正常，中间300上突，后200下突
    np.random.seed(42)
    normal_data = np.random.normal(loc=10, scale=1, size=500)  # 基准均值10
    up_data = np.random.normal(loc=15, scale=1, size=300)  # 上突（均值15）
    down_data = np.random.normal(loc=5, scale=1, size=200)  # 下突（均值5）
    data = np.concatenate([normal_data, up_data, down_data])
    
    # 调用算法检测（基准窗口100，检测窗口50，偏移量p=3，阈值k=0.7）
    突变标记, 异常比例 = mdam_detect(
        data=data,
        base_window=100,
        p=3,
        k=0.7,
        detect_window=50
    )
    
    # 输出结果（打印前20个和后20个窗口的检测结果）
    print("突变标记（1=上突，-1=下突，0=正常）：")
    print(突变标记[:20], "...", 突变标记[-20:])
    print("\n异常比例：")
    print(异常比例[:20], "...", 异常比例[-20:])

与现有集中趋势检测算法的对比

MDAM的核心优势在于参数简单、计算高效、抗噪性强，尤其适合需要快速响应突发均值突变的场景，弥补了传统算法在实时性和抗干扰性上的不足。