异常检测别再用写死的阈值了——一个简单启发式，帮你处理传感器流

我的场景是：实时传感器流，每30秒上报一次延迟和错误率。之前写了个脚本，延迟超过500ms或者错误率超过2%就告警。结果半夜3点网络一抖，阈值瞬间被打穿，告警刷屏。调低阈值吧，白天正常波动也误报；调高吧，真故障又漏了。

后来试了个笨办法：不用固定值，而是用滚动窗口的统计量做动态阈值。比如取过去10分钟数据，算平均数和标准差，超过均值加3倍标准差才报警。代码大概是：

import numpy as np

def flag(sensor_series, window=20):
    if len(sensor_series) < window:
        return False
    avg = np.mean(sensor_series[-window:])
    std = np.std(sensor_series[-window:])
    return sensor_series[-1] > avg + 3 * std

这个启发式我用了快两个月，误报率低了不少，因为阈值是动态的，能跟着数据本身的变化走。但注意，它不适合那种波动特别剧烈、没有稳定分布的指标，比如流量突刺那种，得先用别的方法平滑一下。

如果你也遇到硬编码阈值头疼的问题，可以试试这个思路。当然，更复杂的可以用概率模型或者AI预测，但先从这个简单的开始就行，我用下来感觉已经够用了。