实时异常/异常检测？

Question

我的数据是特定游戏玩家的使用/玩统计数据。用户的一个数据点是一个星期的汇总统计数据。我们的目标是能够发现玩家的账户何时被盗/被黑，或者其他什么地方出错了。所以我的想法是让每个玩家都有代表一个星期的数据点，然后检查最近的一周是否是集群中的一个离群点。如果是的话-账户有问题。

我的问题是，什么样的算法/方法适合于这种情况？我非常熟悉聚类和自动编码器之类的东西，但这并不十分适合我的问题，因为：

• 我为每个用户提供了很少的样本，也就是说，我们可以追溯到25周前，所以只有25个‘正确’的样本。
• 我不需要对所有数据进行异常值检测，我需要的是判断最新的样本是否是其他数据点的异常值。

目前，我有两个想法：

• 迪克森的试问。
• 简单地测量最近的样本是否比所有其他样本离集群中心更远。

它们可以工作，但它们听起来都有点“讨厌”。对于这样一个相对简单的问题，我觉得应该有一个更优雅的解决方案，但我的头脑只是在消失。你会推荐什么方法？

Answer 1

对我来说，这听起来像是时间序列异常检测。您可以遵循这里的示例：https://towardsdatascience.com/time-series-anomaly-detection-with-pycaret-706a6e2b2427。

在pyod中，有10种以上的异常检测算法(pyod库的包装器)。您应该使用其中的几个，播放分数(阈值)，并检查哪一个组合最适合您的数据。如果您有一些异常，您可以使用分类(如果您在数据集中有几个输入，可以描述这些异常，或者可以自己生成输入)。

Answer 2

你可以考虑使用霍尔特-温特斯时间序列模型。它支持趋势的识别(如您所描述的)，也可以帮助解释季节性成分。它是statsmodels包的一部分。