摘要
网络监控的流量利用率测量受到加性噪声和统计漂移的影响，漂移表现为信号均值、方差、分布形状或尾部行为的时间相关变化。基于静态小波去噪的处理在假设独立同分布的高斯信号时有效，但在存在漂移的情况下会失效，并且在中到高信噪比(SNR)下，可能会过度抑制有用结构，降低监控决策的有效性。
我们提出了一种漂移感知框架，将自适应小波去噪视为一个优化的预处理层，旨在实现两个任务：异常检测，恢复被噪声和漂移遮蔽的多尺度瞬态负载突发；以及容量估计，恢复所需的操作容量 $C_{95}$（利用率的95百分位数）。由于局部突发是小波保留的多尺度结构，而低通滤波器则会移除这些结构，因此检测过程需要区分去噪器家族。
我们设计了一个四探测器门（Page-Hinkley、方差比、Jensen-Shannon、Anderson-Darling），用于判断何时调用学习策略，并且一个近端策略优化代理选择每个窗口的小波配置，涵盖混合离散-连续动作空间。与以往的研究不同，这里奖励是下游任务的效用，而非重建精度。针对不同的漂移类型和输入SNR，我们将去噪器与低通移动平均滤波器、VisuShrink、SureShrink、BayesShrink和Wiener滤波器进行了基准测试。定义在干净信号上的异常目标和在污染上的漂移门，使得两个阶段保持非循环性。
博主点评： 本文提出的方法通过引入漂移感知机制，显著提升了网络流量异常检测的准确性，为应对动态环境下的噪声挑战提供了有效的解决方案。结合强化学习的策略优化，使得去噪过程不仅关注信号重建，更注重实际应用效果，值得在相关领域进一步推广。