我正试图了解有关https://netman.aiops.org/wp-content/uploads/2018/05/PID5338621.pdf的文章，该文章关于用于大规模异常检测的KPI的鲁棒快速聚类。
使用ROCKA算法进行聚类。
步骤：
1。）对原始KPI数据进行预处理，以消除幅度差异并标准化数据。
2。）在基线提取步骤中，我们减少了噪声，去除了极值（可能是异常），并提取了KPI的基础形状（称为基线）。这是通过在较小的滑动窗口上应用移动平均值来完成的。
3。）然后在采样的KPI的基线上进行聚类，以抵抗相移和噪声。
4。）最后，我们计算每个聚类的质心，然后通过将未标记的KPI的距离分配给这些质心。
我了解ROCKA机制。
现在，我正在尝试了解用于“异常检测”的DONUT算法。
它是如何工作的：
DONUT在KPI上应用滑动窗口以获取短序列x，并尝试识别遵循的正常模式x。然后，通过重建的正常模式与x之间的差异来计算指标，以显示异常的严重程度。实际上，应该为每个KPI选择一个阈值。指标值大于阈值的数据点被视为异常。
现在我的问题是：
IT似乎DONUT不足以抵抗与时间信息相关的异常。这意味着它可以在一组滑动窗口上工作，并且忽略窗口之间的关系。因此，窗口在这里成为非常关键的参数。因此，它可能会产生很高的误报率。我在这里误解什么？
请帮助我，让我理解DONUT将如何捕获滑动窗口之间的关系。