展示位置说明：我已经选择在此处询问，因为其他候选网站都不适合。我很乐意将这个问题转移到其他地方。
我正在启动一个项目，为相当大的实时消息处理系统构建拥塞检测器。
我目前的想法是，我将测量或采样单个消息生命周期（从输入到输出），并使用卡尔曼滤波器来估计当前的生命周期。在这样做时，我累积残差（测量预期），如果总数超过某个阈值，我会触发警报。
有几个怪癖：
- 有许多类型的消息，其生命周期有很大差异。通常，为简单起见，我无法将消息分类为预期的生命周期桶。 （分布可能不是高斯分布。）
- 随着时间的推移，平均寿命会相当平稳地上升和下降，每周的变化和白天的变化，但是，为简单起见，不能以一种可以准确表达为公式的方式。
我目前对卡尔曼滤波器的想法是将测量噪声视为零，并将消息寿命的变化视为工厂或过程噪声。平均寿命的上升和下降将导致误报，我打算通过定期清除累计剩余总量来避免这些。
我的问题是这些：
- 我应该使用卡尔曼滤波器吗？
如果没有，你会做出什么其他建议？
- 到目前为止我见过的卡尔曼滤波器使用固定值来处理过程噪声;有没有什么方法可以根据最近的实际测量方差使用动态值（考虑到我的零测量噪声假设）？
- 是否积累（签名）残差，定期重置总数以允许长期变化，以及何时触发警报，是否合理作为一种方法？