返回资讯中心
外部精选
软件工程
#开发者实时流

Coroot 对比统计、LLM 与决策模型的告警异常检测效果

来源标题:Anomaly detection for alerting: statistics, LLMs and decision models compared

Coroot 对比了统计异常检测、多个 LLM 和 Jev 式决策模型在告警场景中的表现,结果显示其采用的多窗口错误预算燃烧率方法优于包括前沿模型在内的所有方法。测试中每种方法只看过去 60 分钟、15 秒分辨率的数据,每分钟决策一次,连续 3 次触发才告警。

Hacker News 最新nikolay_sivko2026/11/3 · 14 天前2 分钟阅读

这个来源的 RSS 只提供摘要,下面是原文导语;完整论述请点「打开原文」。

面向告警的异常检测:统计学、LLM 与决策模型对比

在构建 Coroot 的过程中,我们不断听到关于告警的同一个问题:我们为什么还需要 SLO?直接让 AI 检测异常并告警就行了,不需要任何配置。于是我们做了这个对比。可观测性领域经典的统计学异常检测器、几款 LLM,以及 Jev 风格的决策模型,回答的都是同一个问题——也是on-call工程师要回答的问题:看一个 Web 服务的 p99 延迟,凌晨两点值得叫人起床吗?

每种方法只能看到最近 60 分钟、15 秒分辨率的数据,每分钟做一次判断,并且只有连续 3 次判断为需要告警时才真正告警。按场景打分:如果人类会告警时它告警了,或者人类不会告警时它保持沉默,就算正确。到目前为止,多窗口错误预算燃烧率——也就是 Coroot 采用的方法——优于其他所有方法,包括前沿模型。见记分板。

本条为导读摘要,完整论述请以原文为准。

打开原文
去社区讨论 →