指标检测(四)：业务阈值检测-基于规则引擎的业务异常检测

为什么我的眼里常含泪水？因为我对这土地爱得深沉……

文章目录

• 一、概述
• 二、基于业务阈值的异常检测
• • 1.原理
  • 2.计算过程
  • 3.数据计算示例
  • 4.代码示例
  • • a.关键代码
    • b.使用示例
• 三、总结

本文基于Github ：ad4j：Anomaly Detection For Java
项目中有完整代码示例，欢迎Star、Issue、提交PR，获得Contributor勋章，共同成长。

系列文章导航：

• 指标检测(一)：绝对值/离群值异常检测
• 指标检测(二)：波动异常检测-基于二阶导和距离寻找最大弯曲点
• 指标检测(三)：趋势异常检测-基于Mann-Kendall检验
• 指标检测(四)：业务阈值检测-基于规则引擎的业务异常检测

一、概述

概述请参考系列文章（一）的概述
本文将重点介绍 ad4j：Anomaly Detection For Java 项目中的基于规则引擎的检测算法。

本文主要介绍基于业务阈值设定的异常检测，作为自动化异常检测的业务补充监控方案。是的整套检测框架全面覆盖各种应用场景。

二、基于业务阈值的异常检测

1.原理

类似规则引擎的方案

• （1）设定规则和规则集：

  • 规则集：支持规则以任意逻辑形式（OR(||)、AND(&&)）的组合成规则集，例如 $Rule3$ $or$ ($Rule1$ $and$ $Rule2$)
  • 规则$Rule$：$x_i>Factor\ast S$。

  其中，比较符号支持(>,>=,=,<,<=) ，$Factor$是因子系数，$S$是指标数值统计量，支持：

• （2）循环递归检测
  规则引擎内部解析规则后，会按照规则进行判定是否符合规则异常。

2.计算过程

• （1）解析规则：将规则配置解析为规则树
• （2）规则引擎判断：递归规则树，依次从叶子节点判定规则，将当前节点结果 与 同级节点结果进行逻辑(and,or)判断，逐步递归只根节点，获取到最终规则判定结果。

3.数据计算示例

数据准备：时间序列数据：$X=1.0,2.0,3.0,4.0$。

• （1）设置规则：>= 5 * constant || <= 1 * constant || (> 1 * min && < 1 * max)
• （2）解析规则：规则树如下