TRLLD: 基于阈值识别的负载时间序列负载水平检测算法

负载时间序列分析对资源管理与优化决策至关重要，尤其是自动化分析技术。现有研究对样本整体特征的解读尚不充分，导致对具有不同特征（趋势性、季节性、周期性）的样本，其负载水平检测结论存在显著差异。实现自动化、特征自适应且可量化的分析方法仍是一项挑战。本文提出一种基于阈值识别的负载水平检测算法（TRLLD），该算法依据样本特征，有效识别任意规模与任意分布类型样本中的不同负载水平区域。算法通过利用分布密度均匀性对数据点进行分类，最终获得归一化负载值。在特征识别步骤中，算法采用基于差值的密度均匀性指数（DUID）、高负载水平集中度（HLLC）与低负载水平集中度（LLLC）评估样本特征；这些指标不依赖于具体负载数值，从而提供标准化的特征视角，确保高效率与强可解释性。相较于传统方法，所提方法展现出更优的自适应性与实时分析能力。实验结果表明，该方法可在16组具有不同负载特征的时间序列样本中有效识别高负载区域与低负载区域，并产生高度可解释的结果。DUID与样本密度分布均匀性之间的相关性达98.08%。当引入强度为10% MAD的噪声时，最大相对误差为4.72%，展现出高鲁棒性。同时，该方法在一般样本场景与低样本场景下均表现出显著优势。