因此，得出以下结论：实时异常检测的定义是什么
我正在研究异常检测领域，在许多论文中，该方法被定义为实时，而在许多其他论文中，它被简称为Anomaly Detection。
我偶然发现，纠正我是否错了，大多数所谓的实时方法都是接近实时的。具体来说，它们是某种基于时间序列的无监督上下文的异常检测，其中上下文几乎总是桶大小。换句话说，算法处理微批数据，因此从这里开始遵循接近实时。
现在，我想知道这两种异常检测之间是否有区别。如果是，它们之间的区别是什么？存储桶大小的阈值是多少(如果有)？
这组问题源于我正在对异常检测的不同框架的预测性能/质量进行研究，我想知道这种差异是否很大，因为它意味着两种不同的评估指标。我想阅读一些关于此事的认证消息来源。
有趣的是，我最近为一个业余项目想到了一些类似的主题，并发现了Crunchmetrics的一些有趣的博客，这是一家专门从事基于ML的异常检测的公司。要点：
实时-有一个训练或基线数据集，系统可以参考。参考"查找"很快就会显示为实时，当然如果优化的话。
近实时-没有现有的训练或统计模型，系统必须计算基线、数据帧或范围，从而影响决策速度。
我发现一个博客很有用。。。(我与这家公司没有任何关系)：异常博客文章
在计算机图形学中，实时处理意味着足够快，可以显示为运动。在实践中，这意味着以最低24帧/秒的速度处理图像。
将这一含义应用于实时异常检测，我们有一个实时视频馈送的例子。我们必须以足够快的速度处理异常检测算法，以跟上视频馈送。在这种情况下，异常检测必须在每帧约40ms内完成。
这将限制异常检测质量与处理速度之间的权衡发生剧烈变化。
一个快速的谷歌弹出了一些关于这种权衡的文献。https://www.researchgate.net/publication/224258100_Real-time_camera_anomaly_detection_for_real-world_video_surveillance
从我的角度来看，这一切都归结为"实时"的定义。
作为一名控制工程师，我所接受的实时定义只是一种足够快的东西，可以在下一个样本到达之前处理收到的数据。这意味着，如果你知道采样率，你就知道你必须花很多时间来处理传感器数据。
在控制理论中，处理算法的内存有多长并不重要。传感器缓冲区长度的铲斗尺寸。所选择的采样率和控制器的响应性都取决于受控过程的动力学。
因此，像家用散热器控制器这样的东西的实时性可以是每分钟一个样本，这意味着你可以处理非常长的样本历史。原则上，你可以在过去两年的数据上训练一个神经网络，然后让它对每个收到的样本进行一次异常检测。
如果这是一个雷达，数据以纳秒的采样率混合在一起，你可能没有时间只应用阈值。。
异常检测作为一个理论领域，它与处理一个时间序列所需的时间无关，所以在我看来，不同之处在于实时过程要求的维恩图，以及给定任何异常检测算法的异常检测所花费的时间。
因此，它是异常检测算法的子集，其中子集的大小由实时需求和处理能力之间的关系给出。
事实上，在许多博客或论文中，他们也明确提到
- "尽管在本文中，我们将异常检测称为实时发生，但它实际上是一种准实时方法"[1]
- "为了满足上述所有要求-在(近)实时中，在非常大的范围内，稳健地检测异常"[2]
因此，与其调用这些方法"实时异常检测"；，我更喜欢称他们为">流数据的异常检测"；。如果你的方法检测流数据中的异常非常快(例如需要0.00001s)，它可以被称为"异常"；实时异常检测"；。
因此；实时异常检测"；以及"；"异常检测"；即："；实时异常检测"；由"；异常检测"；；在此基础上；实时异常检测"；专门用于检测流数据中的异常，并且发生得非常快。