异常性检测

监控基线：建立一个正常行为及性能参数的基线，当监控数据偏离该基线时，标识为异常。

统计分析：使用统计方法分析数据分布，通过均值、方差等参数检测偏离正常分布的数据点。

机器学习：部署无监督学习模型，如聚类算法，识别数据集中不同寻常的模式。

规则引擎：设定系统或业务逻辑规则，实时比较和检测违背规则的行为。

时间序列异常检测：分析时间序列数据，发现异常模式或趋势变化，使用如ARIMA模型。

人工智能：使用深度学习等先进技术，通过复杂模式识别出异常。

业务指标监控：设置警戒线或预期值范围，对超出范围的业务指标发出警告。

行为分析：分析用户或系统行为，与历史数据比较发现异常行为。

气体检测仪：用于检测空气中有害气体的浓度，以确保环境安全，常用于工业、矿井或公共场所。

红外热成像仪：通过检测物体发出的红外辐射，识别温度异常，广泛应用于电力、机械设备故障检测。

超声波检测仪：利用超声波探测材料或结构中的缺陷，如裂缝、气孔，常用于焊接质量检测和建筑结构监测。

振动分析仪：通过分析设备振动频率和幅度，发现机械系统的异常或潜在故障，常用于维护和状态监测。

X射线探伤仪：使用X射线透过物质，检测内部结构的异常情况，广泛应用于无损检测领域。

电磁检测仪：通过电磁场感应，检测金属材料中的异常情况，如外部损伤或内部裂纹，通常用于油气管道检查。