基于统计学方法的异常检测

基于统计学方法的异常检测 一个🔑简单有效的方法是“移动平均 + 标准差阈值法”

常见异常原因及排查清单 🔑在检测到异常后，后续的排查工作可以按照以下清单有序进行： 资源加载异常： 检查第三方脚本（如广告、统🎵计、客服工具）是否出现阻塞渲染的情况；确认图片、字体文件是否被意外替换为未优化的版本

常见异常原因及排查清单

建议要求每个检测窗口至少📢有50个有效rUM（真实用户测量）样本

建立自动化监控与预警机制

例如，某页面近7天移动平均分为85，标准差为3，则任何低于79分的单日数据🌅都应触发检查

基于统计学方法的异常检测

此外，移动端与桌面端体验分数差异过大、🔮同一站点不同页面之间分数波动剧烈，也属于需要关注的异常信号

需要警惕以下几💡种情况： 假期或大促流量冲击： 此时访问量激增可能导致服务器压力上升，而页面本身并未发生变化

页面体验分数异常的常见表现与识别思路

当单日分数低于“移动平均减去2倍标准差”时，可判定为异常

将当前一周的数据与上一周、去年同🌅期（需要注意季节性波动）🎉的数据做对比

可以利用百度搜索资源平台的API接口定时拉取页面体验分数，配合开源的时序数据库（如Prometheus）和告🎉警工具（如Alertmanager⚡）实现实时预警

注意事项：避免误报与漏报

建议使用百度搜索资源平台提供的“页面体验”报告，结合Google Search Console的Core Web Vitals数据，定期导出30天、7天和24小时三个时间维度的指标均值

服务器性能波动： 查看服务器响应时间（T🚀TFB）是否升高，通常与后端数❤️据库查询慢、缓存命中率下降或CDN节点异常有关

数据收集空缺： 如果某个时段用户访问量过少，核心指标可能😎因样本量不足而产生高方差