8.7 异常检测
备注
异常检测需要与 IDMP 一同安装 TDgpt 模块，无需大语言模型连接。
IDMP 中的异常检测由 TDgpt（TDengine 内置的时序 AI 引擎）驱动。它作为创建实时分析时八种触发类型之一提供。与需要定义明确边界条件的阈值触发器不同，异常检测触发器能自动识别异常行为——您只需选择目标属性和算法，TDgpt 会自动判断异常的开始和结束时间。
工作原理
当分析配置了异常检测触发器时，TDgpt 会持续监控所选属性的时序数据。它应用所选算法对信号的预期行为建模，并标记观测值与该模型存在显著偏差的时段。当检测到异常窗口时，分析触发，生成的事件会记录异常的开始和结束时间。
由于检测基于模型而非规则，TDgpt 能够识别固定阈值会遗漏或误触发的复杂模式——渐进漂移、突然尖峰、季节性偏差。
配置异常检测分析
创建异常检测分析的步骤：
- 导航到元素的分析标签页，点击 + 创建新分析。
- 在触发部分，选择异常检测作为触发类型。
- 配置异常检测触发器字段：
| 字段 | 说明 |
|---|---|
| 属性 | 要监控异常的元素属性 |
| 算法 | 要应用的异常检测算法（见下文） |
| 窗口 | 算法评估每个数据段的时间窗口 |
- 按照其他分析类型的方式完成计算和事件部分。
- 点击保存。
支持的算法
TDgpt 包含多种基于不同机器学习框架的异常检测算法：
| 算法 | 框架 | 特点 |
|---|---|---|
| IQR | 统计学 | 四分位距——简单、快速，适用于有明显异常值的单变量信号 |
| LOF | scikit-learn | 局部离群因子——基于密度，有效检测点异常 |
| Isolation Forest | scikit-learn | 基于树，对高维数据和不同异常密度具有鲁棒性 |
| LSTM-AD | PyTorch | 基于 LSTM 的序列模型——捕获时序依赖性，适合季节性或周期性信号 |
| TDtsfm | TDengine | TDengine 自研时序基础模型，在工业时序数据上预训练 |
合适的算法取决于信号的性质和您期望检测的异常类型。对于大多数工业传感器流，IQR 或 Isolation Forest 是一个良好的起点。
输出
当 TDgpt 检测到异常窗口时，分析触发，并（如果启用了事件生成）创建一个记录异常时段的事件。异常窗口的开始和结束时间戳作为事件属性存储。
如需触发器配置完整参考，请参阅触发类型。
