在自动驾驶网络车辆的运作中，必须持续监控其行为，以便在偏离正常操作时及时检测异常，防止故障扩散。
随着系统的不断演变（例如，空中更新、配置更改和工作负载变化），正常行为的定义也随之变化，导致静态诊断方法逐渐失效。
现有方法通常单独处理自动化模型适应或操作员集成，而未将其作为一个协调的监督循环进行整合。
本文提出了一种在线异常检测框架，整合了三个协调机制：
首先，使用带有自注意力机制的因子化深度 Q 网络，从候选池中选择最合适的检测器，以监控每个服务，利用微服务拓扑中的服务间依赖关系。
其次，一个由三个统计漂移检测器组成的集成监控输入分布，只有在三者一致时才会发出警报，优先考虑精确度而非召回率。
最后，一个以待处理过渡缓冲区和60/40优先重放策略为基础的人类反馈再训练机制，允许操作员结合专家知识，同时保持系统对先前数据分布的学习响应。
该框架在一个连接车辆测试平台上进行评估，测试了一个自动代客泊车应用，涉及七个后端微服务。
增强注意力机制的代理在F1评分上达到了0.69，而任何单一均匀应用的检测器最高仅为0.11。
在一次实际软件更新后，导致可测量的概念漂移，F1评分降至0.52；经过操作员触发的再训练，性能在新分布上恢复至0.65，同时在之前的分布上保持在0.69，展示了持续适应而不发生灾难性遗忘。
博主点评： 本文通过整合多种机制，提供了一种创新的异常检测解决方案，尤其是在动态环境下的自适应能力体现了现代智能车辆系统的复杂性与挑战。强化学习与人类反馈的结合，进一步提高了系统的反应能力和准确性，值得在实际应用中推广。