智能异常检测与预测 是通过机器学习算法、深度学习算法，对历史时序数据自学习、自动为用户选择最优算法进行异常检测、预测与告警的分析产品，用户通过使用异常检测与预测得到的分析结果来指导自身的业务。

智能异常检测与预测主要应用的场景有：

• IT 运维场景

  1. 通过流量异常检测进行系统安全分析，如 DNS/HTTP 数据泄露检测、可疑登陆检测等。

  2. 通过流量异常检测监控服务质量，如监控 nginx 服务响应变化发现服务问题。

  3. 通过流量异常检测监控机房运转情况，如监控 cpu 等指标探测系统问题。

• 医学场景：患者的异常身体指标检测，及时跟进患者身体状况。

• 营销场景：识别异常的购物车增加或减少行为，帮助衡量网站的转化情况。
• 金融类场景：股票走势预测。
• 其他：天气预测、比赛结果预测。

产品功能

• 对指定分析指标进行历史异常值的检测

通过配置分析指标，对指标进行历史异常值的检测，并给出每个异常点的详细信息。异常值包括突变的数据、超出波动范围的数据、周期波动的数据等，通过研究这些异常数据，及时发现业务请求数、拒绝数、响应时间、流水和订单等数据的异常波动，保证业务的稳定性。

• 对指定分析指标进行未来时间范围内的预测

配置分析指标，系统通过对历史时序数据的学习对未来的数据走势做出预测。如对网约车出行流量预测、股价走势预测、客户流失率预测等。用户可根据预测结果及时调整策略，做到有备无患。

产品优势

智能异常检测与预测的主要优势如下：

友好的操作方式

通过对底层的算法进行封装，提供可视化的操作环境，用户通过页面可视化配置任务指标即可创建异常检测任务，无需编程语言，降低了用户的学习成本，让数据挖掘变成一件简单的事情。

自动选择最优算法

系统自动为用户选择的指标选择最优算法分析，用户无需任何算法相关知识即可完成异常检测与预测，得到分析结果，极大地降低了使用门槛。

优质的机器学习算法

提供诸如聚类、回归、神经网络等机器学习及深度学习算法，进行精准的异常检测与预测，准确度比传统机器学习算法高出很多。

与智能日志管理平台完美融合

机器学习直接基于 Pandora 智能日志管理平台存储的数据进行建模分析，无需复杂的导入导出。

产品操作流程

点击进入智能异常检测与预测入口。通过如下图操作逻辑实现对历史异常值的检测以及指标数据的预测。