异常检测问题是数据挖掘领域的重要研究方向之一,其中关键性能指标（KPI）异常检测也是其中的重要问题之一。随着基于网络的软件系统的发展,企业和运营商越来越重视对网络流量和用户浏览时间等关键性能指标的分析。与传统的时间序列异常检测相比,KPI时间序列异常检测具有数据量大、标签少等特征、概念漂移等问题,导致传统的异常检测模型在处理KPI数据时面临巨大挑战。受概念漂移的影响,时间序列数据的分布会随时间发生变化,这对异常检测模型学习带来了很大的挑战。流数据聚类可以有效地记录时间序列数据的历史信息,并且在数据发生概念漂移时能够适应时间序列中的概念漂移。基于此,本文借助流数据聚类策略解决时间序列异常检测问题,利用不同数据特征的选择和通过双重差分来分析时间序列,提升流数据聚类对时间序列的适应能力和对抗概念漂移的能力,从而提高模型的分类准确率。主要工作内容包括以下几个方面:1.为了有效地检测出时间序列中的点异常,提出了一种基于邻域残差的流数据聚类的时间序列异常检测算法。该算法通过当前数据与历史数据的残差作为特征进行流数据聚类,从而有效地检测出时间序列中数据的突变。同时,由于基于聚类的方法中参数较多且难以确定,而这些参数对算法的性能影响很大,该算法基于历史数据实现了聚类中参数的自适应,使得模型的调参变得更加容易。实验结果表明,该算法在时间序列数据中能够对数据突变异常有较高的准确度。2.针对时间序列中的子序列异常问题,提出了一种基于相似性度量的流数据聚类的时间序列异常检测算法。在该算法中,通过计算当前时间窗口数据与历史时间窗口数据的相似度来判断当前时刻时间序列的分布是否发生变化。另外,根据不同时间窗口数据的相似性来设计聚类特征,通过该聚类特征对数据的分布进行归纳,确保算法在概念漂移现象发生时,能够检测并且适应概念漂移。实验结果表明,提出的算法能够有效检测出时间序列中子序列异常,并且能够提高算法对概念漂移的适应能力。3.针对前两个工作中对时间序列中可能发生的概念漂移没有直接进行检测的问题,提出了一种基于双重差分算法的流数据聚类的异常检测算法。在该算法中,借助双重差分算法对时间序列前后数据的分布进行检测,并且通过检测结果来更新聚类微簇,强化算法对概念漂移的检测效果。实验结果表明,该算法可以适应多种时间序列数据,并且具有更高的检测准确率。