Dive into Time-Series Anomaly Detection: A Decade Review

近年来，数据收集技术的进步以及流数据量和速度的不断增长，凸显了时间序列分析的重要性。在这方面，时间序列异常检测已成为一项重要活动，在网络安全、金融市场、执法和医疗保健等领域有着广泛的应用。虽然传统的异常检测文献主要集中在统计度量上，但近年来机器学习算法的不断增加，促使我们需要对时间序列异常检测的研究方法进行结构化和通用的描述。本综述在时间序列背景下，根据以过程为中心的分类法对现有的异常检测解决方案进行了分组和总结。除了提供一种原创的异常检测方法分类外，我们还对文献进行了元分析，并概述了时间序列异常检测研究中的总体趋势。

该论文旨在解决时间序列数据中异常检测的问题，尤其是在数据收集技术和流数据的速度与数量不断增长的背景下。这是一个在多个领域如网络安全、金融市场、执法和医疗保健中都至关重要的问题。虽然这不是一个全新的问题，但随着机器学习算法的增加，对这些方法进行结构化和一般性的描述变得尤为重要。

论文的关键思路是提出一种以过程为中心的分类法来组织和总结现有的时间序列异常检测解决方案。与传统文献主要依赖统计方法不同，这篇论文结合了近年来日益增多的机器学习算法，并通过这种新的分类方式提供了一个更全面的理解框架。这种方法不仅有助于理解当前的研究状态，还为未来的研究提供了指导。

论文进行了文献的元分析，揭示了时间序列异常检测研究的一般趋势。它还提出了一个原创的时间序列异常检测方法分类，这为研究人员提供了一个清晰的视角。此外，尽管摘要中没有明确提到实验设计、使用的数据集或开源代码，这类综述性文章通常会引用大量相关研究，为后续研究提供了丰富的资源。值得继续深入研究的工作包括探索特定应用领域的定制化异常检测方法，以及开发更加高效的实时异常检测系统。

最近在这个领域中，有几项相关的研究值得关注。例如，《Time-Series Anomaly Detection Service at Microsoft》介绍了微软在实际应用中的时间序列异常检测服务；《DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series Data》探讨了深度学习在无监督时间序列异常检测中的应用；《Unsupervised Real-time Anomaly Detection for Streaming Data》则专注于流数据的实时异常检测。