异常检测算法的概念和时序异常检测的语法_云原生多模数据库 Lindorm(Lindorm)-阿里云帮助中心

本文介绍异常检测算法的概念和时序异常检测的语法。

引擎与版本

时序异常检测仅支持时序引擎。无版本要求。

使用限制

时序异常检测必须和SAMPLE BY语句搭配使用。

功能简介

时序异常检测用于检测指定时间线上异常点的值，支持阿里达摩院自研的在线异常检测算法。异常检测算法在检测过程中持续学习时序数据的特征（例如数据趋势或者周期），从而完成对新插入时序点的检测。例如新插入的时序数据有一个非常大的尖刺，检测结果可能为异常。

时序异常检测搭配SAMPLE BY语句可以实现以下功能：

搭配SAMPLE BY 0子句，针对每条时间线上的数据逐点检测。使用示例，请参见示例一、示例二和示例三。
在SAMPLE BY INTERVAL语句中指定降采样粒度（INTERVAL），并嵌套降采样算子，如MIN、MAX、AVG、COUNT、SUM等，实现不同的计算效果。
重要
INTERVAL的值不能为0。
使用示例，请参见示例四。
搭配SAMPLE BY 0子句，并嵌套部分非降采样算子，如LATEST、DELTA、RATE等，实现不同的查询效果。使用示例，请参见示例五。

语法

select_sample_by_statement ::=  SELECT ( select_clause )
                                FROM table_identifier
                                WHERE where_clause
                                SAMPLE BY 0
select_clause              ::=  selector [ AS identifier ] ( ',' selector [ AS identifier ] )
selector                   ::=  tag_identifier, | time | anomaly_detect '(' field_identifier ',' algo_identifier | model_identifier [ ',' options] ')'
where_clause               ::=  relation ( AND relation )* (OR relation)*
relation                   ::=  ( field_identifier| tag_identifier, ) operator term
operator                   ::=  '=' | '<' | '>' | '<=' | '>=' | '!=' | IN | CONTAINS | CONTAINS KEY

anomaly_detect代表时序异常检测函数，相关参数说明如下：

参数	描述
field_identifier	Field列名。说明 Field列的类型不能是VARCHAR和BOOLEAN类型。
algo_identifier	异常检测算法名称。支持阿里达摩院自研在线异常检测算法。 esd：适用于尖刺型异常（例如监控曲线出现尖刺的现象），对于数据点中有少量显著离群点的情况比较适用。 nsigma：原理简单，便于分析异常原因。 ttest：用于识别一个时间窗口内时序指标是否存在因均值变化而发生的异常。 istl-esd：适用于带周期性信号的数据。说明 algo_identifer参数适用于未开通数据库内机器学习功能，但有使用时序异常检测需求的场景。
model_identifier	模型名称。说明 model_identifier的类型为VARCHAR类型。 model_identifier参数仅适用于开通数据库内机器学习功能后，使用时序异常检测的场景。开通数据库内机器学习的方法，请参见开通方式。
options	调整异常检测算法的检测效果。可选参数。格式为：`key1=value1[, key2=value2]`。

算法分类

时序引擎支持以下异常检测算法，算法名称和适用场景如下表：

算法名称	适用场景
esd	检测对象为单个数据点。适用于尖刺型异常。对于数据点中有少量显著离群点的情况，检测结果准确。
nsigma	检测对象为单个数据点。原理简单，便于分析异常的原因，可解释性较强。说明不建议在数据点中有少量显著离群点的场景中使用，因为这种情况下计算的检测值不准确可能导致检测结果误报。
ttest	检测对象为一段时间窗口内的时序数据。用于识别待检测时间窗口内时序指标是否存在因均值变化而发生的异常。例如：检测两个时序数组（待检测时间窗口和参考时间窗口）的均值是否有明显差异。待检测时间窗口：通过lenDetectWindow数组长度获取待检测时间窗口。参考时间窗口：通过lenHistoryWindow数组长度获取参考时间窗口。
Incremental STL with ESD（简称istl-esd）	适用于周期性信号。istl-esd算法属于达摩院自研OneShot STL（也称Incremental STL）算法。Incremental STL是可以实时增量地将周期信号分解成周期项、趋势项和残余项的算法，需要对4个周期的信号进行初始化。此检测算法中包含Incremental STL算法和esd算法，先用Incremental STL对信号进行实时增量分解，再对残余项使用esd算法检测异常。通过对残余项进行esd算法检测，可以检测到非周期性尖刺。
Incremental STL with Nsigma（简称istl-nsigma）	适用于周期性信号。Incremental STL是可以实时增量地将周期信号分解成周期项、趋势项和残余项的算法，需要对4个周期的信号进行初始化。此检测算法中包含Incremental STL算法和nsigma算法，先用Incremental STL对信号进行实时增量分解，再对残余项用nsigma检测异常。通过对残余项进行nsigma检测，可以检测到非周期性尖刺。

算法适用场景的曲线图如下：

esd算法：用于检测每个时序点，适用于相对稳定的信号中出现少量异常值的场景。
nsigma算法：用于检测每个时序点，适用于异常点相对于历史平均值有较大差异（通过算法的参数n来调节）的场景。
ttest算法：用于检测一段时间窗口内的时序数据。适用于以下两个连续时间段内均值变化异常的场景。
istl-esd算法：Incremental STL算法用于检测带周期性信号的时序数据。Incremental STL算法会在去除原始数据的周期趋势量后，对残余项使用esd算法进行检测。适用于相对稳定的周期信号中出现少量异常值的场景。
istl-nsigma算法：Incremental STL算法用于检测带周期性信号的时序数据。Incremental STL算法会在去除原始数据的周期趋势量后，对残余项使用nsigma算法进行检测。适用于异常点相对于历史平均值有较大差异的场景。

参数说明

异常检测算法支持配置算法参数，包括公共参数、训练参数和推理参数。您可以通过调整可选参数options来实现不同的异常检测效果。

说明

公共参数、训练参数和推理参数实际传参时都是在同一个列表内指定。以ttest为例，传参时可以指定为：lenDetectWindow=100,adhoc_stat=true。
如何通过调整参数得到理想的检测结果，请参见统计类算法参数调优和分解类算法参数调优。

公共参数

通用的公共参数控制检测过程中的调试诊断和行为，可以使用到所有的异常检测算法中。公共参数说明如下表：

参数名称	类型	默认值	说明
verbose	BOOLEAN	FALSE	是否返回更多详细信息，并标识目标列是否异常。具体返回的信息由各算法决定。取值如下： TRUE FALSE 取值为`TRUE`时，将会通过扩展列的形式，输出详细检测结果，请参见表《verbose参数输出详情》。
adhoc_state	BOOLEAN	FALSE	是否将算法的异常检测状态限制在本次查询检测中，有关异常检测状态的描述请参见异常检测状态。
direction	VARCHAR	UP	检测异常的方向。取值如下： UP：只检测时序数据升高的异常。 DOWN：只检测时序数据降低的异常。 BOTH：检测时序数据升高或者降低的异常。

verbose参数输出详情

算法名称	扩展列名称	类型	取值	说明
esd	anomaly	BOOLEAN	TRUE FALSE	TRUE：当前数据点异常。 FALSE：当前数据点正常。
	anomalyLevel	STRING	NORMAL UNKNOW	NORMAL：当前数据点无异常。 UNKNOW：当前数据点异常，异常程度未分级。
	detectedDirection	STRING	UP DOWN NONE	UP：当前数据点大于窗口统计值，异常向上。 DOWN：当前数据点小于窗口统计值，异常向下。 NONE：当前数据点无异常，且anomaly取值为FALSE。
	anomalyScore	DOUBLE	[0, Double.MAX_VALUE]	取值越大，当前数据点的异常越明显。
	threshold	DOUBLE	[0, Double.MAX_VALUE]	判断阈值，用于判断当前数据点是否异常。当anomalyScore取值大于threshold的取值时，当前数据点异常；anomalyScore取值小于threshold的取值时，当前数据点正常。 threshold由输入参数alpha与lenHistoryWindow计算得到，alpha越小，threshold越大；lenHistoryWindow越大，threshold越大。
	upperBound	DOUBLE	DOUBLE类型的全部取值范围	触发异常检测的上边界值。例如，在输入参数中设置`maxAnomalyRatio=0.3`时，upperBound为观察窗口内有序数据的70%分布值（1 - maxAnomalyRatio），即观察窗口内小于upperBound（70%）的数据点不参与异常检测。说明窗口长度由参数lenHistoryWindow指定。如果数据点落在[lowerBound, upperBound]区间内，算法将判定该点为正常点；如果数据点未落在 [lowerBound, upperBound] 区间内，将会触发算法为该数据点计算anomalyScore。若结果满足anomalyScore>threshold，算法将判定该点为异常点。
	lowerBound	DOUBLE	DOUBLE类型的全部取值范围	触发异常检测的下边界值。例如，在输入参数中设置`maxAnomalyRatio=0.3`时，lowerBound为观察窗口内有序数据的30%分布值（maxAnomalyRatio），即观察窗口内大于lowerBound（30%）的数据不参与异常检测。说明窗口长度由参数lenHistoryWindow指定。如果数据点落在 [lowerBound, upperBound]区间内，算法将判定该点为正常点；如果数据点未落在[lowerBound, upperBound]区间内，将会触发算法为该点计算anomalyScore。若结果满足anomalyScore>threshold，算法将判定该点为异常点。
	mean	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的平均值。
	median	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的中位数。
	std	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的标准差。
	latestTimestamp	LONG	正整数	观察窗口内最新数据点的时间戳。
	warmup	BOOLEAN	TRUE FALSE	TRUE：算法处于初始化阶段（不会执行异常检测）。 FALSE：算法已完成初始化。
ttest	anomaly	BOOLEAN	TRUE FALSE	TRUE：当前数据点异常。 FALSE：当前数据点正常。
	anomalyLevel	STRING	NORMAL UNKNOW	NORMAL：当前数据点无异常。 UNKNOW：当前数据点异常，异常程度未分级。
	detectedDirection	STRING	UP DOWN NONE	UP：当前数据点大于窗口统计值，异常向上。 DOWN：当前数据点小于窗口统计值，异常向下。 NONE：当前数据点无异常，且anomaly取值为`FALSE`。
	pValue	DOUBLE	(0, 1)	当前数据点偏离窗口统计值的程度。取值越小，偏离程度越大；取值越大，偏离程度越小。
	threshold	DOUBLE	(0, 1)	判断阈值，用于判断当前数据点是否异常。 pValue的取值小于threshold取值时，当前数据点异常。 pValue的取值大于threshold取值时，当前数据点正常。
	trendScore	DOUBLE	DOUBLE类型的全部取值范围	表征趋势变化的程度。绝对值越大，趋势变化越明显。 trendScore>0：趋势为上升。 trendScore<0：趋势为下降。
	mean	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的平均值。观察窗口的长度由输入参数lenHistoryWindow指定。
	std	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的标准差。
	latestTimestamp	LONG	正整数	观察窗口内最新数据点的时间戳。
	warmup	BOOLEAN	TRUE FALSE	TRUE：算法处于初始化阶段（不会执行异常检测）。 FALSE：算法已完成初始化。
nsigma	anomaly	BOOLEAN	TRUE FALSE	TRUE：当前数据点异常。 FALSE：当前数据点正常。
	anomalyLevel	STRING	NORMAL UNKNOW	NORMAL：当前数据点无异常。 UNKNOW：当前数据点异常，异常程度未分级。
	detectedDirection	STRING	UP DOWN NONE	UP：当前数据点大于窗口统计值，异常向上。 DOWN：当前数据点小于窗口统计值，异常向下。 NONE：当前数据点无异常，且anomaly取值为`FALSE`。
	anomalyScore	DOUBLE	[0，Double.MAX_VALUE]	取值越大，当前数据点的异常越明显。
	threshold	DOUBLE	[0，Double.MAX_VALUE]	取值为判断阈值，用于判断当前数据点是否异常。当anomalyScore取值大于threshold的取值时，当前数据点异常；anomalyScore取值小于threshold的取值时，当前数据点正常。
	mean	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的平均值。
	std	DOUBLE	DOUBLE类型的全部取值范围	观察窗口内数据的标准差。
	latestTimestamp	LONG	正整数	观察窗口内最新数据点的时间戳。
	warmup	BOOLEAN	TRUE FALSE	TRUE：算法处于初始化阶段（不会执行异常检测）。 FALSE：算法已完成初始化。
istl-esd	anomaly	BOOLEAN	TRUE FALSE	TRUE：当前数据点异常。 FALSE：当前数据点正常。
	anomalyLevel	STRING	NORMAL UNKNOW	NORMAL：当前数据点无异常。 UNKNOW：当前数据点异常，异常程度未分级。
	residual	DOUBLE	DOUBLE类型的全部取值范围	原始数据去除周期性分量和趋势性分量后剩余的残值。在istl算法中，数据点会被分解，且满足`原始数据=residual+trend+season`。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	trend	DOUBLE	DOUBLE类型的全部取值范围	原始数据中的趋势性分量。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	season	DOUBLE	DOUBLE类型的全部取值范围	原始数据中的周期性分量。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	warmup	BOOLEAN	TRUE FALSE	TRUE：算法处于初始化阶段（不会执行异常检测）。说明初始化过程需要4个周期长度的数据输入。在此期间，算法输出的residual、trend、season均为无效值，默认输出0。 FALSE：算法已完成初始化。
	剩余扩展列，均与esd算法的详情输出一致	与esd的输出信息的类型相同	与esd输出信息的取值范围相同	调用异常检测函数时，如果输入参数包含`esd.verbose=true`，则开启esd verbose模式。当verbose模式开启时，附带输出esd/ttest算法中所有的verbose信息（不包括anomaly、warmup与anomalyLevel）。
istl-nsigma	anomaly	BOOLEAN	TRUE FALSE	TRUE：当前数据点异常。 FALSE：当前数据点正常。
	anomalyLevel	STRING	NORMAL UNKNOW	NORMAL：当前数据点无异常。 UNKNOW：当前数据点异常，异常程度未分级。
	trend	DOUBLE	DOUBLE类型的全部取值范围	原始数据中的趋势性分量。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	season	DOUBLE	DOUBLE类型的全部取值范围	原始数据中的周期性分量。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	residual	DOUBLE	DOUBLE类型的全部取值范围	原始数据去除周期性分量和趋势性分量后剩余的残值。在算法初始化阶段，即warmup取值为`TRUE`时，只输出固定默认值0。
	warmup	BOOLEAN	TRUE FALSE	TRUE：算法处于初始化阶段（不会执行异常检测）。说明初始化过程需要4个周期长度的数据输入。在此期间，算法输出的residual、trend、season均为无效值，默认输出0。 FALSE：算法已完成初始化。
	剩余扩展列，均与nsigma算法的详情输出一致	与nsigma算法的输出信息的类型相同	与nsigma算法输出信息的取值范围相同	调用异常检测函数时，如果输入参数包含`nsigma.verbose=true`，则开启nsigma verbose模式。

训练参数

使用异常检测算法时，指定算法名称和训练参数会确定一个具体的异常检测算法模型。训练参数在Lindorm时序引擎重启后会失效，需要重新对数据点进行训练（训练的操作是检测过程中实时适应时序数据的特性）。

说明

配置训练参数时需要注意以下几点：

参数名称不区分大小写。
参数值的类型支持数值、布尔和字符串，不支持NULL等特殊值。
参数值必须在指定的取值范围内。

算法名称	参数名称	类型	取值	说明
esd	compression	INTEGER	正整数，默认值为100，取值范围为`(10,1000)`。	算法中数据结构的空间复杂度。参数值越大算法在运行过程中越占用内存，但是算法结果越准确。
esd	lenHistoryWindow	INTEGER	正整数，默认值为null，取值≥20。	算法参考的时间窗口长度。如果时间窗口长度比较短，计算过程中只会将最近的数据点作为参考值。当lenHistoryWindow=null时，表示没有指定参考的时间窗口长度，此时会用第一次检测以来的所有时间点作为参考的时间窗口长度。
nsigma	lenHistoryWindow	INTEGER	正整数，默认值为null，取值≥20。	算法参考的时间窗口长度。如果时间窗口长度比较短只会参考最近的数据点作为参考值。当lenHistoryWindow=null时，表示没有指定参考的时间窗口长度，此时会用第一次检测以来的所有时间点作为参考的时间窗口长度。
ttest	lenDetectWindow	INTEGER	正整数，默认值为10。	待检测的最近的时间窗口的长度。
ttest	lenHistoryWindow	INTEGER	正整数，默认值为100，取值≥20。	算法参考的时间窗口长度。如果时间窗口长度比较短，计算过程中只会将最近的数据点作为参考值。当`lenHistoryWindow=null`时，表示没有指定参考的时间窗口长度，此时会用第一次检测以来的所有时间点作为参考的时间窗口长度。说明此参数值必须大于lenDetectWindow参数值。
istl-esd	frequency	VARCHAR	用数字和时间单位表示的字符串。例如5M、24H、1D。表示时间单位的有效取值及含义： n/ns：纳秒 u/us：微秒 m/ms：毫秒 s/S：秒 M/min：分钟 H/h：小时 D/d：天	时间序列的采集频率。例如每小时一个点则`frequency=1H`。重要如果未设置该参数，算法会自动分析采集频率（但当时间序列中的缺失值过多时，可能会影响分析的准确率）。如果需设置该参数，frequency的值必须和`SAMPLE BY INTERVAL`语句中设置的INTERVAL的值一致。
	periods	VARCHAR	用数字和时间单位表示的字符串。例如5M、24H、1D。表示时间单位的有效取值及含义如下： n/ns：纳秒 u/us：微秒 m/ms：毫秒 s/S：秒 M/min：分钟 H/h：小时 D/d：天	周期信号的所有周期长度。可以通过索引符传递多个周期长度。例如：`periods[0]=1440`；`periods[1]=1880`。说明如果未设置该参数，算法会自动检测周期。
	esd.*	不涉及	定义esd算法所需的训练参数，请参考esd算法的训练参数。使用时通过添加esd.前缀进行关联到esd算法参数。例如：`esd.lenHistoryWindow=10`。
istl-nsigma	frequency	VARCHAR	用数字和时间单位表示的字符串。例如5M、24H、1D。表示时间单位的有效取值及含义如下： n/ns：纳秒 u/us：微秒 m/ms：毫秒 s/S：秒 M/min：分钟 H/h：小时 D/d：天	时间序列的采集频率。例如`frequency=1H`表示每小时采集一个点。重要如果未设置该参数，算法会自动分析采集频率（但当时间序列中的缺失值过多时，可能会影响分析的准确率）。如果需设置该参数，frequency的值必须和`SAMPLE BY INTERVAL`语句中设置的INTERVAL的值一致。
	periods	VARCHAR	用数字和时间单位表示的字符串。例如5M、24H、1D。表示时间单位的有效取值及含义如下： n/ns：纳秒 u/us：微秒 m/ms：毫秒 s/S：秒 M/min：分钟 H/h：小时 D/d：天	周期信号的所有周期长度。可以通过索引符传递多个周期长度。例如：`periods[0]=1440`；`periods[1]=1880`。说明如果未设置该参数，算法会自动检测周期。
	nsigma.*	不涉及	定义nsigma算法所需的训练参数，请参考nsigma算法的训练参数。使用时通过添加nsigma.前缀进行关联到nsigma算法参数。例如：`nsigma.lenHistoryWindow=10`。

推理参数

推理参数只在检测时起作用，且参数名称大小写不敏感。

算法名称	参数名称	类型	取值	说明
esd	alpha	DOUBLE	默认值为0.1，取值范围为`(0,1)`。	异常检测的敏感程度。参数值越大，对异常检测越敏感，会报出比较多的异常。
	direction	VARCHAR	默认值为Up。	检测异常的方向。 Up：只检测时序数据升高的异常。 Down：只检测时序数据降低的异常。 Both：检测时序数据升高或者降低的异常。
	maxAnomalyRatio	DOUBLE	默认值为0.3，取值范围为`(0,1]`。取1时表示不过滤任何异常。	最大的异常比例。例如：当maxAnomalyRatio=0.3并且direction=Up时，表示值小于第70百分位数的点不会被认为是异常。当direction=Up时，通过该参数可以过滤掉值比较小的点。当direction=Down时，通过该参数可以过滤掉值比较大的点。
	warmupCount	INTEGER	正整数，默认值为20。	至少需要多少个点才会开始报异常。例如：warmupCount=20表示数据点小于20个不会报异常。
nsigma	n	DOUBLE	非零浮点数，默认值为3.0。	n>0：表示当前值减去均值大于n个标准差的时候会报异常。 n<0：表示均值减去当前值大于n个标准差的时候会报异常。
nsigma	warmupCount	INTEGER	正整数，默认值为20。	至少需要多少个点才会报异常。例如：warmupCount=20表示数据点小于20个不会报异常。
ttest	alpha	DOUBLE	默认值为0.05，取值范围为`(0,1)`。	异常检测的敏感程度。参数值越大，对异常检测越敏感，会报出比较多的异常。
ttest	direction	VARCHAR	默认为Up。	检测异常的方向。 Up：只检测时序数据升高的异常。 Down：只检测时序数据降低的异常。 Both：检测时序数据升高或者降低的异常。
istl-esd	esd.*	不涉及	定义esd算法所需的推理参数，请参考esd算法的推理参数。使用时通过`esd.`进行关联。例如：`esd.direction=Both`。
istl-nsigma	nsigma.*	不涉及	定义nsigma算法所需的推理参数，请参考nsigma算法的推理参数。使用时通过`nsigma.`进行关联。例如：`nsigma.n=5`。

示例

示例1：对时序数据表sensor中指定时间范围的温度使用esd算法进行时序异常检测。

SELECT device_id, region, time, anomaly_detect(temperature, 'esd') AS detect_result FROM sensor WHERE time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

返回结果如下：

+-----------+----------+---------------------------+---------------+
| device_id |  region  |           time            | detect_result |
+-----------+----------+---------------------------+---------------+
| F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | true          |
| F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
| F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
| F07A1261  | south-cn | 2022-01-01T00:00:00+08:00 | false         |
| F07A1261  | south-cn | 2022-01-01T00:00:01+08:00 | false         |
| F07A1261  | south-cn | 2022-01-01T00:00:02+08:00 | false         |
| F07A1261  | south-cn | 2022-01-01T00:00:03+08:00 | false         |
+-----------+----------+---------------------------+---------------+

示例2：对时序数据表sensor中F07A1260设备指定时间范围的温度使用esd算法进行时序异常检测。

SELECT device_id, region, time, anomaly_detect(temperature, 'esd') AS detect_result FROM sensor WHERE device_id in ('F07A1260') and time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

返回结果如下：

+-----------+----------+---------------------------+---------------+
| device_id |  region  |           time            | detect_result |
+-----------+----------+---------------------------+---------------+
| F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | true          |
| F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
| F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
+-----------+----------+---------------------------+---------------+

示例3：对时序数据表sensor中F07A1260设备指定时间范围的温度使用esd算法进行时序异常检测，同时指定算法参数。

SELECT device_id, region, time, anomaly_detect(temperature, 'esd', 'lenHistoryWindow=30,maxAnomalyRatio=0.1') AS detect_result FROM sensor WHERE device_id in ('F07A1260') and time >= '2022-01-01 00:00:00' and time < '2022-01-01 00:01:00' SAMPLE BY 0;

返回结果如下：

+-----------+----------+---------------------------+---------------+
| device_id |  region  |           time            | detect_result |
+-----------+----------+---------------------------+---------------+
| F07A1260  | north-cn | 2022-01-01T00:00:00+08:00 | false         |
| F07A1260  | north-cn | 2022-01-01T00:00:01+08:00 | false         |
| F07A1260  | north-cn | 2022-01-01T00:00:02+08:00 | true          |
+-----------+----------+---------------------------+---------------+

示例4：与降采样算子MAX嵌套使用，降采样粒度为1分钟。

SELECT time, anomaly_detect(max(temperature), 'esd') AS ad_result, max(temperature) AS rawVal FROM sensor SAMPLE BY 1m;

返回结果如下：

+---------------------------+-----------+-------------+
|           time            | ad_result |   rawVal    |
+---------------------------+-----------+-------------+
| 2022-04-12T06:00:00+08:00 | null      | 923091.3175 |
| 2022-04-11T08:00:00+08:00 | null      | 8035700     |
| 2022-04-11T09:00:00+08:00 | null      | 8035690.25  |
| 2022-04-11T10:00:00+08:00 | null      | 3306277.545 |
| 2022-04-11T11:00:00+08:00 | null      | 5921167.787 |
| 2022-04-11T12:00:00+08:00 | null      | 833541.304  |
+---------------------------+-----------+-------------+

示例5：与非降采样算子LATEST嵌套使用，降采样粒度为0。

SELECT time, anomaly_detect(latest(temperature), 'esd') AS ad_result, latest(temperature) AS latestVal FROM sensor SAMPLE BY 0;

返回结果如下：

+---------------------------+-----------+-------------+
|           time            | ad_result |  latestVal  |
+---------------------------+-----------+-------------+
| 2022-04-12T06:00:00+08:00 | false     | 923091.3175 |
| 2022-04-13T07:00:00+08:00 | false     | 8037506.75  |
| 2022-04-13T07:00:00+08:00 | false     | 50490.2     |
+---------------------------+-----------+-------------+