Page 320 - 《软件学报》2026年第2期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(2):799−816 [doi: 10.13328/j.cnki.jos.007481] [CSTR: 32375.14.jos.007481] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
知识增强的时间序列异常检测算法自动选择

梁志宇 1 , 蔡东芮 1 , 梁 晨 1 , 梁 峥 1 , 王宏志 1 , 郑 博 2

1
(哈尔滨工业大学 计算学部, 黑龙江 哈尔滨 150001)
2
(北京诺司时空科技有限公司, 北京 100020)
通信作者: 王宏志, E-mail: wangzh@hit.edu.cn

摘 要: 时间序列异常检测技术在许多实际应用中发挥着重要作用. 例如, 云原生数据库系统通过监测关键指标
(如 CPU 和内存使用情况) 实现系统故障的及时识别. 尽管近年来已经提出了许多先进的时间序列异常检测算法,
但研究表明, 在异常检测准确率方面, 不同算法擅于应对不同的应用场景, 没有通用的最佳方法. 因此, 为了实现更
高的异常检测准确率, 研究如何基于不同场景的数据特征自动选择最佳时间序列异常检测算法的问题尤为重要.
现有方法通常基于时间序列分类 (TSC) 技术来解决这一问题. 实现方法是利用历史任务积累的数据, 以时间序列
为输入、对应的最准确异常检测算法为输出训练分类器, 从而预测未知时间序列的最佳异常检测算法. 尽管这类
基于 TSC 的解决方案能有效提高异常检测准确率, 但现有的标准 TSC 算法未能充分利用来自异常检测历史任务
的知识. 为弥补这一缺陷, 提出一个知识增强的时间序列异常检测框架. 在训练 TSC 模型时, 不仅使用现有方法普
遍采用的、代表每个历史时间序列最佳检测算法的硬标签, 还利用历史数据上所有候选算法的准确率来估计输入
时间序列的类别分布, 将其作为软标签来为算法选择器 (即 TSC 模型) 提供更多关于异常检测算法之间相互关系
的知识. 与此同时, 设计了一个外部知识融合模块, 可以灵活地将各类外部知识 (例如时间序列的应用领域及数据
与异常特点的描述) 融入 TSC 模型中. 所提方法能够作为插件无缝集成到任意架构的 TSC 模型中, 提高其在异常
检测算法选择方面的性能. 在多种类型的时间序列数据集上进行大量实验, 验证所提方法的有效性.
关键词: 时间序列异常检测; 自动算法选择; 时序数据分析; 知识增强型系统; 面向数据库的人工智能
中图法分类号: TP311

中文引用格式: 梁志宇, 蔡东芮, 梁晨, 梁峥, 王宏志, 郑博. 知识增强的时间序列异常检测算法自动选择. 软件学报, 2026, 37(2):
799–816. http://www.jos.org.cn/1000-9825/7481.htm
英文引用格式: Liang ZY, Cai DR, Liang C, Liang Z, Wang HZ, Zheng B. Knowledge-enhanced Automatic Selection for Time Series
Anomaly Detection Algorithm. Ruan Jian Xue Bao/Journal of Software, 2026, 37(2): 799–816 (in Chinese). http://www.jos.org.cn/1000-
9825/7481.htm

Knowledge-enhanced Automatic Selection for Time Series Anomaly Detection Algorithm
1
1
1
1
1
LIANG Zhi-Yu , CAI Dong-Rui , LIANG Chen , LIANG Zheng , WANG Hong-Zhi , ZHENG Bo 2
1
(Faculty of Computing, Harbin Institute of Technology, Harbin 150001, China)
2
(CnosDB Inc., Beijing 100020, China)
Abstract: Time series anomaly detection plays an important role in many real-world applications, such as monitoring key metrics (e.g.,
CPU and memory usage) in cloud-native database systems to detect system failures timely. Although many advanced time series anomaly
detection algorithms have been proposed in recent years, it has been shown that different algorithms excel in different application scenarios
in terms of anomaly detection accuracy, and there is no universally optimal method. Therefore, studying the problem of automatically
selecting the most suitable time series anomaly detection algorithm based on the data characteristics of various scenarios is crucial to

* 基金项目: 智能电网重大专项 (2030) (2024ZD0802900)
收稿时间: 2024-06-06; 修改时间: 2025-04-28; 采用时间: 2025-06-02; jos 在线出版时间: 2025-12-03
CNKI 网络首发时间: 2025-12-04