Unsupervised real-time anomaly detection for streaming data
背景：
我们知道现在每天产生大量流式的、具有时间序列性的数据，如何对这些数据进行实时的检测成为一个挑战。流式分析的一个基本功能是以无监督的方式对每个流建模，并实时的检测其中的异常行为。很多application等都要求能够实时的处理数据，以前的批量处理已经无法很好的满足需求。本文提出一个新的异常检测算法，它是基于一个在线序列记忆算法（Hierarchy Temporal Memory/HTM）,并使用Numenta Anomaly Benchmark (NAB)呈现结果。
相比于批处理，流式处理的无法得到整个数据集；系统必须以到达的时间序列观察每个数据，对于数据的处理和学习都是一个在线的过程。根据这些需求，以及巨大的流数据量，手动参数调整和人工标记是不可行的，因此无监督的自动化操作是必不可少的。
需要考虑两个方面：1.系统的统计数据会随着时间进行变化，所谓的概念漂移；2.伴随着可能的系统升级等等，需要自动适应新的“正常”的定义。
鉴于上述要求，定义的真实世界中的理想的异常检测算法需要具备的特征：
