题目：《Online Anomaly Prediction for Robust Cluster System》
时间：2009
会议：IEEE International Conference on Data Engineering
简介：
这是一篇发表在一个顶级会议上的会议论文。主要的工作是通过将stream-based的数据进行异常点的预测，文中也提到了这是首篇对stream-based data进行预测的paper。另外，当前对异常点研究的成果并不多，大多数也都是基于statistics的，而这篇则是用到了 Markov chain和navie Bayesian，毕竟是09年的paper，所以技术并不是很新，所以放在现在可以借鉴和改进的地方很有很多。
应用技术：
Markov chain和navie Bayesian classification
检测的是IBM的集群中的数据
模型框架：
从图中可以很直观的看出整个模型的框架：
1、将当前的特征点（多维）映射到坐标中，通过Markov Chain可以得到这个样本点中每个特征的概率分布，从而得到一个分布的region。其中，由于每个样本点可能有多个特征，而每个特征的范围可能是连续的，而Markov的状态空间则是要求有限的状态空间，所以文中使用了一个equ-depth的方式来划分这个范围，从而将连续的数据转换为离散的。
2、通过Markov Chain得到每个样本点的特征的概率分布后，通过下面的公式对特征的概率分布进行Bayesian计算。
然后比较在anmoly和nomaly之间哪个confidence更高。
算法的流程如下：
首先是对bayesian模型的训练。
通过对labeled的数据进行navi bayesian的训练，可以计算得到每个特征点中的各个metric对分类结果（anomaly、normaly）的概率。
后面的实验部分通过了三个指标进行了验证：
detection rate（检测率）
false alarm rate（错误警报率）
distance statistics（警报时隔）
下图就是对future data和current data的detection。
Ntp是在指定的时间周期中出现正确的警报的数量。
Nfp是在指定的时间周期中出现错误的警报的数量。
time prediction diff的意思是异常出现和发出警报的时间差。
总结：
1、文中的一个创新之处是在通过Bayesian对future data分类的时候，没有是对data进行分类，而是对data中的特征分布进行分类的，这样更能发现一些潜在的特征。
2、由于发表的时间较早，所以放在现在来看的话，可以用一些更先进的方法例如DL和Mate Learning等技术来对内部进行一些改进。