使用或不使用卡尔曼滤波器来检测异常系统拥塞

时间:2018-01-24 20:20:28

标签: monitoring kalman-filter

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:

  1. 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?
  2. 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)?
  3. 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?

0 个答案:

没有答案