摘要

时间序列异常检测（TSAD）在云服务和网络系统中的实时监控中起着关键作用，能够快速识别异常情况以防止高昂的故障发生。大多数基于预测模型的TSAD方法往往通过强调微小波动而导致过拟合。我们的分析表明，有效的TSAD应专注于通过平滑的局部模式来建模“正常”行为。为了实现这一目标，我们将时间序列建模重新表述为用平滑的一元函数逼近时间序列。每个一元函数的局部平滑性确保了拟合的时间序列对局部扰动具有较强的鲁棒性。然而，直接使用KAN方法实施时，由于B样条函数固有的局部特性，该方法容易受到这些扰动的影响。因此，我们提出了KAN-AD方法，用截断傅里叶展开替代B样条，并引入了一种新的轻量级学习机制，该机制在保持对局部扰动的鲁棒性的同时强调全局模式。在四个流行的TSAD基准测试中，KAN-AD相比最先进的基线方法平均提高了15%的检测精度（峰值超过27%）。值得注意的是，它所需的可训练参数少于1,000个，使得推理速度比原始KAN快50%，展示了该方法的高效性和实际可行性。