線上業務的快速發展對系統穩定性提出了更高的要求。每次在系統出現異常波動時，如何及時、準確的發現並提醒業務方，顯得尤其重要。
這裡有很關鍵的兩個要求：
異常識別基於歷史資料，獲取當前時間點的可能數值範圍，當實際值在該範圍以外時，即認為資料異常。
最最簡單的方式當然是當同比或環比變化超出某一閾值時，即認為資料異常。但是這兩種方式存在一些問題：
如果將這兩種方式的優勢結合起來，同時考慮資料的整體變化和週期性變化，甚至考慮到歷史所有的資料對於當前值的影響，**結果的誤差將會更小。
異常檢測模型分為兩個部分，**器和比較器。歷史資料作為**器的輸入，輸出當前時間點的**值，並將當前時間點的**值和真實值通過比較器檢測資料是否異常。
hot-winters**器
hot-winters又稱三次指數平滑，基於歷史時間序列**當前值。它將時間序列分為三個部分，殘差分量（s），趨勢分量（t），週期分量（p），使用（x）表示**值。累加式公式如下：
其中，趨勢分量主要表達時間序列有保持上乙個變化態勢的趨勢，而週期分量主要表達時間序列週期性變化。
趨勢變化圖：
週期變化圖：
在我們的業務中，資料存在明顯的週期行變化，但不存在明顯的趨勢變化，所以我們考慮去除趨勢分量（其中k表示週期內時間點個數，(i-k)表示上一週期當前時間點的值）
α和γ則代表了歷史時間序列對於當前值的影響比重，越大則表示影響越小。
最終的**結果如下：
比較器得到**值和真實值之後，如果檢測資料異常呢？
首先猜想誤差應該集中在某乙個範圍，通過畫出誤差的直方分布圖發現，誤差值近似於正態分佈
95%**區間
對於正態分佈，在統計學中有乙個95%**區間的概念，即有95%的可能性數值落在**區間中。
95%**區間的範圍為 [μ - 1.96*δ, μ + 1.96*δ]，其中μ表示期望值，δ表示標準差。
所以最終採用前50個時間點的誤差值來計算當前值的**區間，超出部分則認為資料異常。
實時專案4 預警需求
實時預警，是一種經常出現在實時計算中的業務型別。根據日誌資料中系統報錯異常，或者使用者行為異常的檢測，產生對應預警日誌。預警日誌通過圖形化介面的展示，可以提醒監控方，需要及時核查問題，並採取應對措施。需求 同一裝置，5分鐘內三次及以上用不同賬號登入並領取優惠劵，並且過程中沒有瀏覽商品。達到以上要求則...
流失預警模型 實時查詢
本篇主要做的是乙個流失預警模型實時查詢的乙個測試，需求描述 使用者名單請求判斷是否流失，秒級內返回判斷結果。操作場景如下 流失預警模型，使用者是否在未來一段時間內流失 牽涉到流失定義，使用者活躍度定義，使用者行為時間定義等 建立，用到了使用者最近行為特徵 行為趨勢特徵等，最後 是否流失 1流失，0留...
web報表輕鬆實現資料異常預警功能
在業務系統中，經常會看到這樣的資料顯示需求 一些特殊資料有規定的標準範圍，超出標準範圍的資料我們要標紅預警顯示，告知客戶此資料有異常，也就是我們說的資料預警，效果如下圖所示，紅色顯示了當運貨費大於100時的預警。這種效果更加清晰的顯示了異常資料，有助於使用者對異常資料進行分析判斷。如果不用報表工具，...