求助，关于时序数据异常检测

[Cola98]

小弟最近接到一个新任务，调研 holoinsight-ai 算法服务，花了几天把里面一些概念搞清楚了，现在比较纠结的一个点是它提供了一个 JSON 数据：

{
    //历史数据
  "InputTimeSeries": {
    "1681710540000": 559, 
    "1681710600000": 597,
    "1681710660000": 505,
    "1681710720000": 572,
    "1681710780000": 515,
    "1681710840000": 552,
    "1681710900000": 549,
    "1681710960000": 521,
    "1681711020000": 500,
    "1681711080000": 564,
    "1681711140000": 517,
    "1681711200000": 5000
  },
    "intervalTime": 60000, //间隔 60000ms,InputTimeSeries 中每个时间相差 60000ms
    "detectTime": 1681711200000, //检测时间
    "algorithmConfig": {
    "algorithmType": "up", //关心上升还是下降趋势
    "sensitivity": "mid" //算法敏感度, 敏感度越高，算法对异常数据的检测越严格，可能会有更多的误报。敏感度越低，算法对异常数据的检测越宽松，可能会有更多的漏报。
  },
    "ruleConfig": { //规则配置
    "defaultDuration": 1, //持续告警时间,这里是 1 分钟。
    "customChangeRate": 0.1 //表示阈值为 10%。，两个值之间变化率差距超过 0.1 就会告警
  }
}

关于 InputTimeSeries 这一块，比较这一块应该放什么类型的数据，看美团的文章里面是分为了三种:周期型、平稳型和无规律波动型。

初步想法是先获取 K8S 相关资源的时序数据，然后做分类，在用异常注入的方法来验证这个算法服务，不知道可不可行？

[CoooooolFrog]

可行，直接使用 Pod 的 CPU 、Mem 等水位数据应该就比较有可信度了

[Cola98]

@CoooooolFrog ok ，多谢大佬，主要是担心思路出问题