目前我正在为我的电子商务服务器构建我的监控服务，主要关注CPU / RAM使用情况。这可能是对时间序列数据的异常检测。
我的方法是构建LSTM神经网络以预测图表趋势中的下一个CPU / RAM值和与STD（标准偏差）值进行比较乘以某个数字（当前为10）
但在现实生活中，它取决于许多不同的条件，例如：
1-维持时间（此时“异常”不是“异常”）
2-休息日，节假日等的销售时间，RAM / CPU使用率增加是正常的，课程
3-如果CPU / RAM减少的百分比在3次观察中相同：5分钟，10分钟和10分钟。 15分钟 - ＆gt;异常。但是如果5分钟减少50％，但是10分钟它没有减少太多（-5％〜+ 5％） - >不是“异常”。
目前，我在公式上检测到异常，如下所示：
isAlert = (Diff5m >= 10 && Diff10m >= 15 && Diff30m >= 40)
其中Diff是绝对值的不同百分比。
不幸的是，我没有保存用于构建神经网络的“纯”数据，例如，当它检测到异常时，我修改它不再是异常。
我想在模型的输入中添加一些属性，例如 isMaintenance，isPromotion，isHoliday等，但有时会导致过度拟合。
我也希望我的NN可以随时调整基线，例如，当我的服务更受欢迎等时。
这些目标有什么暗示吗？
由于
答案 0 :(得分：0)
我会说异常是一种不寻常的结果，即在给定输入的情况下不会产生预期的结果。正如您所知，有一些 的变量会影响CPU和RAM的使用。那么为什么不把它们送到网络呢？这就是机器学习的重点。您的网络将根据销售量，是否存在维护窗口等来预测CPU使用率。
请注意，如果您包含实际销售量，则可能不需要isPromotion输入。前者是离散输入，仅捕获totalSales输入
机器学习肯定需要数据。如果你扔掉它，你将不得不重新开始捕获它。至于调整基线，您可以通过增加最近的输入数据来实现这一点。