Page 333 - 《软件学报》2026年第2期

812 软件学报 2026 年第 37 卷第 2 期

定为 0.22. 参与比较的方法包括以下几种.
(1) 无模块 1. 算法选择器训练中不使用知识增强模块 1, 即基于历史任务准确率的软标签分类模块.
(2) 无模块 2. 算法选择器训练中不使用知识增强模块 2, 即时间序列异常检测外部知识融合模块.
(3) 无模块 1 和 2. 不使用本文提出的两个知识增强模块, 对应于现有的标准时间序列分类方法.
(4) 两模块皆有. 同时使用本文提出的两个知识增强模块, 是本文所提方法的默认配置.
表 6 显示的是本文方法 (两模块皆有) 与各变体的异常检测准确率. 可以看出, 同时使用本文提出的两个知
识增强模块相较于仅使用其一或不使用这些模块, 在大部分数据集上能取得更高检测准确率. 其准确率的平均
排名为 1.75, 高于其他 3 个变体, 且排名的优势在 0.05 水平上具备统计显著性 (Wilcoxon p 值小于 0.05). 模块 1
和 2 均不使用的变体 (仅基于第 3.1 节所述的标准时间序列分类模型构建方法) 在各项统计指标上的表现最差.
与之相比, 单独使用本文提出的任意一种知识增强模块, 都能有效提高所选择算法的异常检测准确率. 注意到无
模块 2 的变体整体表现略优于无模块 1 的变体, 这表明相较于软标签分类模块, 外部知识融合模块对于算法选
择准确率的提升更小. 造成这一结果的原因可能是实验使用的外部知识相对浅显. 在实践中, 如果能利用更多真
实应用场景中积累的业务知识作为外部知识, 有希望更好地发挥本文提出的外部知识融合模块的效果, 带来进
一步的准确率提升.

表 6 本文方法与其变体的检测准确率

数据集 无模块1 无模块2 无模块1和2 两模块皆有 (默认配置)
Daphnet 0.301 4 0.287 3 0.287 3 0.287 3
ECG 0.625 9 0.689 7 0.662 4 0.689 7
Genesis 0.361 7 0.361 7 0.361 7 0.361 7
GHL 0.230 3 0.307 1 0.193 2 0.303 5
IOPS 0.309 0 0.284 3 0.284 3 0.309 0
KDD21 0.312 5 0.387 5 0.290 2 0.442 6
MGAB 0.614 0 0.614 0 0.614 0 0.614 0
MITDB 0.312 3 0.485 6 0.335 5 0.485 6
NAB 0.313 7 0.331 9 0.331 9 0.327 9
OPP. 0.403 1 0.388 6 0.388 6 0.399 5
Sen.Sco. 0.335 0 0.335 0 0.335 0 0.384 4
SMD 0.450 1 0.456 1 0.456 1 0.457 6
SVDB 0.621 5 0.621 2 0.621 2 0.633 7
YAHOO 0.753 5 0.737 0 0.737 0 0.755 8
最佳次数 5 6 3 10
平均排名 2.68 2.50 3.07 1.75
Wilcoxon p值 0.038 4 0.042 7 0.006 9 －
一对一比较 (胜/平/负) 9/3/2 7/5/2 10/3/1 －

最后, 对本文方法及其 3 个变体在所有时间序列数据上的整体运行时间进行测试. 结果如表 7 所示. 可以看
出, 4 类方法的训练时间和测试 (即模型推理或算法选择) 时间均非常接近. 表明本文提出的两个知识融合模块的
额外计算代价很小, 几乎可以忽略不计.

表 7 本文方法及其变体的运行时间 (s)

阶段 无模块1 无模块2 无模块1和2 两模块皆有 (默认配置)
训练 16 923.22 16 825.20 16 913.44 16 921.70
测试 (算法选择) 34.27 35.34 35.46 35.07

4.6 案例研究
本节以一个云原生数据库监控运维场景中的典型应用为例, 深入探究本文方法取得更高检测准确率的原因.