基于參數自適應優化聚類的衛星狀態異常檢測方法*

趙玉煒 蘇 舉

1(中國科學院國家空間科學中心 北京 100190)

2(中國科學院大學 北京 100049)

0 引言

隨著硬件設施的發展和工程制造水平的提升，航天器儀器部件日益靈敏精細。同時，為滿足更高目標任務的實施要求，航天器組成結構日益復雜。人造衛星是精密航天器的一種，在生態、經濟、國防和國民生活等方面都發揮著重要作用。然而，外太空環境復雜，衛星長期在極端溫度、空間大氣、太陽風暴、強電磁輻射的惡劣環境中運行。此外，衛星由成千上萬個元器件組成，元器件性能會隨時間推移而逐漸退化，衛星在軌期間難免會發生狀態異常。若能在衛星狀態有異常傾向，但尚未發生嚴重故障時就檢測出來，并采取有效干預措施進行修正，及時止損，將有利于保障衛星穩定、安全、可靠運行，從而延長衛星壽命，最大化任務收益。

異常檢測是衛星故障診斷排查和實時健康監控的重要途徑，常見的衛星狀態異常檢測方法有基于閾值、基于模型、基于規則和基于數據挖掘四大類。其中，基于閾值的異常檢測，需要人力判別，工作量大，可擴展性差；基于模型的異常檢測，建模過程復雜，對模型依賴度高；基于規則的異常檢測，不能處理知識庫中未涵蓋的征兆；而基于數據挖掘的異常檢測，不依靠先驗知識，自動探尋隱藏在數據中的客觀規律，通過歸納出的數據特征來檢測異常，自動檢測能力及可拓展性較強。

基于數據挖掘檢測衛星狀態，是近年來航天領域廣為關注的研究熱點。Pan等[1]結合核主成分分析和關聯規則挖掘提出了一種傳感器數據異常檢測方法；Zheng等[2]基于衛星數據的波動特征，提出了一種基于序列概率比檢驗的方法，用于識別衛星狀態；Zhao等[3]提出了基于Petri網的診斷方法，并應用于衛星導航接收系統的故障動態診斷；Zhang等[4]提出了一種基于深度學習的代表性特征自編碼器，用于衛星電源系統的無監督異常檢測；Li等[5]提出了一種基于LightGBM的衛星運行模式監測算法，用于衛星在軌運行模式的實時監控；Li等[6]提出了一種基于信息增益參數特征選擇和集成學習的方法，能有效地用于載荷單機狀態快速識別。

聚類分析是數據挖掘的方法之一，其廣泛應用于車輛駕駛行為[7]、電力大數據[8]、核電站[9]、航空器飛行軌跡[10]等的異常狀態檢測，并取得了不錯的效果。然而應用聚類算法的主要不足是超參數選擇不便，聚類超參數的微小差異可能導致全然不同的結果，不同數據集也對應不同的最佳超參數。目前常通過網格搜索的方式，選擇聚類效果最優的超參數組合，但這個過程耗時耗力，如何能高效自適應地選擇聚類超參數是亟待解決的問題。

本文將聚類分析應用于衛星狀態異常檢測，同時針對網格搜索中精細度與效率之間的矛盾，將聚類超參數選擇轉化為單目標優化問題，并基于智能優化算法的啟發式搜索能力，提出了超參數自適應優化的聚類算法UMOEAsII_BIRCH，經實驗驗證效果優于網格搜索。

1 衛星在軌異常狀態檢測

1.1 衛星遙測數據特征

衛星遙測數據的產生過程為：首先，星上安裝的各傳感器按照一定采樣頻率采集，并轉換為電信號；電信號再利用調制編碼技術，經無線電通信信道傳輸至地面接收站；最后通過信號解調，還原為原始被測參量[11]。通常情況下，在測控區內，遙測數據實時下行傳回；而在測控區外，遙測數據則是先存儲在星上，等到衛星過境、可以與地面建立通信時再下傳?；谶b測數據監視衛星各分系統工作模式、運行狀態，是判斷衛星是否正常運轉的重要途徑。

根據數據采集方式，遙測數據分為模擬量和狀態量兩類。模擬量是連續值，在一定范圍內波動，反映被測部件的性能狀態；狀態量是離散值，常在幾個固定值間變化，反映被測部件的功能模式。

衛星遙測數據為多維時序數據，具有以下主要特征[12]。

（1）有噪聲和異常值：由于衛星長期處在太空中，傳感器受惡劣環境條件的影響和干擾，采集過程可能有誤；此外，信號在遠距離傳輸過程中，受無線條件影響，也可能出錯、丟失，使得遙測數據信噪比低，含有較多噪聲和異常值。

（2）維度高、數據量大：衛星物理結構復雜，傳感器數目眾多，被測參數可能有上千個，使得遙測數據維度很高；同時，傳感器具有較大的采樣頻率，短時間內就會采集大量數據。

（3）各參數變化規律不盡相同：有些參數隨衛星的周期性運動也呈周期性變化趨勢，有些參數變化不顯著，在一段時間范圍內波動輕微，還有部分參數相互關聯、共同變化。

1.2 衛星在軌狀態異常分類

根據異常表現形式，衛星在軌狀態異常分為點異常和序列異常。點異常是指在單一時間序列中，遙測參數在某個時刻發生突變，或一系列連續數據點呈現出與其他多數數據點不同的特征。點異?？梢赃M一步分為單點異常和集體異常，單點異常是指將遙測數據視為整體，某個時刻的遙測參數與其他時刻相比存在明顯差異，如圖1所示。

圖1 單點異常示例Fig.1 Example of point anomaly

集體異常往往針對模擬量而言，是指在一段連續時間內，遙測參數趨勢不正常變動，超出門限范圍波動，或發生突變、緩變，規律與大部分數據不符，如圖2所示。

圖2 集體異常示例Fig.2 Example of collective anomalies

序列異常是指某段時間序列呈現出與其他應有相似變化趨勢的時間序列不同的波動規律，在波形上有顯著差異。序列異常不針對單一時間序列，其數據對象是時間序列集合。單獨分析異常的那一個時間序列，其本身可能不具有點異常，如圖3所示。

圖3 序列異常示例（綠色曲線為異常序列，黃色和藍色曲線表示正常序列）Fig.3 Example of sequential anomalies (Green represents the abnormal sequence, yellow and blue represent normal sequence)

2 參數自適應優化的聚類算法

2.1 BIRCH 算法

BIRCH （Balanced Iterative Reducing and Clustering using Hierarchies）算法是基于層次的平衡迭代規約和聚類算法，最早由Zhang等[13]于1996年提出。BIRCH算法首先將數據集以壓縮形式存儲，再根據壓縮后的數據進行聚類，通過一次掃描即能得到較好的結果，然后可以通過多次迭代改進聚類效果。該算法降低了I/O成本，能在內存資源有限的情況下完成聚類，適用于大數據集。

BIRCH算法以聚類特征 （Cluster Feature） 和聚類特征樹 （Cluster Feature Tree，CF樹，定義符號C） 為核心。聚類特征是描述分簇的元組，記錄了分簇中數據點的信息。假定分簇包含m個數據對象{x1,x2,x3,...,xm}，每個數據對象具有P個屬性特征（即P維），定義L為數據點的線性和，S為數據點的平方和，則

聚類特征是一個三元組，假設分簇中有N個數據點，則聚類特征定義為C= （N,L,S） 。其中，數據點的線性和反映了分簇的質心位置，數據點的平方和反映了分簇的半徑大小。

在聚類特征的基礎上定義了CF樹，CF樹的基本元素即為聚類特征。CF樹是一種平衡搜索樹，每個節點包含了一個或多個聚類特征和指向其孩子節點的指針。CF樹包含兩個重要參數，分支因子（Branching Factor） 和閾值 （Threshold）。分支因子規定了非葉節點與葉節點的最大分支樹，閾值規定了分簇的最大半徑或直徑（通常以歐式距離為測度）。

BIRCH算法的流程[14]可分為如下4個步驟。

步驟1掃描數據集，依次將樣本點插入，建立一個初始的CF樹。在這個過程中，將比較聚集的稠密點劃分至子簇中，同時將比較離散的稀疏點標為噪聲去除，以減少孤立點對聚類結果的影響。

步驟2根據需要調整CF樹，以滿足后續算法輸入范圍的需要。若內存占用較大，則可以增大閾值，建立一棵更小的樹，使之達到速度和質量的要求。

步驟3使用全局或半全局算法對葉節點進行重聚類，以消除分裂導致的局部錯位，使其更符合數據真實分布。

步驟4把步驟3產生的結果作為輸入，重新將數據劃分到最近的質心，保證重復數據分至同一個簇。

步驟4與步驟2均為非必需的，但步驟4得到的聚類結果往往比步驟3更精確。BIRCH算法只需掃描一次數據集，時間復雜度相比于其他傳統聚類算法更低，效率更高，利用CF樹壓縮數據也降低了空間復雜度，適用于處理大規模數據。

2.2 UMOEAs-II 算法

UMOEAs-II （United Multi-operator Evolutionary Algorithms-II）算法是改進的聯合多算子進化算法，是Elsayed等[15]針對單目標優化問題于2016年提出的。該算法的設計基于產生的解決方案的質量和種群的多樣性，將多種進化算法結合在一個單一框架中，每種進化算法均可以運行多個搜索算子。

Elsayed等[16]于2014年將差分進化 （DE）、遺傳算法 （GA） 和協方差自適應矩陣 （CMA-ES） 結合在一起，形成了聯合多算子進化算法UMOEAs。UMOEAs-II 算法是在此基礎上的進一步改進：利用高效多算子DE和CMA-ES 的搜索能力，來進化兩個不同的亞種群，達到預先設定的世代數后，再依據解決方案的質量和子種群的多樣性更新每種算子在后續循環中應用的概率。

DE是一種基于種群的隨機進化算法，其模擬了自然界中優勝劣汰的進化過程，以不斷提高個體的質量。該算法采用實數編碼，按照貪婪選擇策略，在決策空間中搜索最優解，通常目標是最小化適應度值。CMA-ES是協方差矩陣自適應調整進化策略，利用協方差矩陣指導算法的進化。在該算法中，新個體由高斯分布抽樣產生，考慮種群跨越世代的路徑，而非單一的突變步驟。

UMOEAs-II算法流程可分為以下5個步驟。

步驟1隨機生成一個大小為PS的初始種群，并將其分為PS1和PS2兩個大小不同的亞種群。其中，兩個種群的解分別由DE和CMA-ES演化而來。定義DE和CMA-ES的應用概率分別為prob1和prob2，初始時均設為1，并設定種群進化的代數CS。

步驟2在[0,1]區間生成兩個隨機數，若第一個數小于prob1，則應用DE來進化個體；若第二個數小于prob2，則應用CMA-ES來進化個體。

步驟3當進化代數達到CS時，根據解決方案質量和子種群多樣性更新prob1和prob2；當進化代數每達到2×CS時，進行信息共享，并將prob1和prob2重置為1。

步驟4在后期階段，應用內點法來尋找局部最優解，以發現迄今為止的最優個體。

步驟5循環執行步驟2～4，直至評估次數達到最大評估次數Max_FES。

在上述過程中，每一代時DE和CMA-ES均為并行的。在UMOEAs-II算法中，算子的結合、應用概率的動態變化、信息共享方案的采用和后期的局部搜索，使得算法在求解單目標優化問題時，能取得較高質量的解。

2.3 改進UMOEAsII_BIRCH算法原理

從優化的角度來看，聚類是一類特殊的NP難分組問題。其以一定度量標準衡量聚類效果，并尋找使得聚類效果最好的分簇方式。然而，聚類算法對超參數高度敏感，在缺乏先驗知識的情況下超參數難以選擇。為解決利用網格搜索選擇超參數過程中精細度與效率沖突的問題，本文將智能優化算法引入聚類分析中，以實現聚類超參數的啟發式自適應搜索。

進化算法是智能優化算法之一，能夠高效搜索近似最優解，被證明對NP難問題有效，已有學者嘗試利用進化算法來優化聚類分析[17]?；诖耍疚膶⒕垲惓瑓档倪x擇轉化為單目標優化問題，并利用進化算法求解。在這個問題中，要求的解向量為待選擇的聚類超參數，決策空間為超參數的取值范圍，目標函數值為選取的聚類效果評價指標。UMOEAs-II算法對于單目標優化問題解決效果較好，BIRCH算法適用于處理大規模數據集，因此本文將UMOEAs-II算法與BIRCH算法相結合，提出超參數自適應優化的聚類算法 UMOEAsII_BIRCH。

針對異常檢測問題，處理思路為：選取異常檢測中常用的效果評價指標F1-score，把1/F1-score作為進化算法目標函數值，該值越小、越接近1，異常檢測效果越好；首先使用UMOEAs-II算法啟發式搜索BIRCH聚類超參數取值空間中使得目標函數值最小的解向量，最優解即對應BIRCH聚類最優超參數；然后在搜索到的最優超參數下，對數據集樣本聚類，正常數據將大量聚在一起形成密集的大簇，而異常數據因分布規律不同，將形成散落的小簇被區分出來。

在UMOEAsII_BIRCH算法實現過程中，通過不斷迭代使適應度收斂至某一最小值。經算法多次測試，找到最終適應度值最小的循環，其求得的解向量即為問題近似最優解。最優解對應最佳聚類超參數，通過上述過程，實現了啟發式自適應搜索聚類最優超參數的目的。其中，最優聚類超參數在本文研究問題中意味著F1-score最大，異常檢測效果最好。

3 實驗驗證

3.1 異常檢測效果評價指標

異常檢測可以視作一個二分類問題，將樣本數據分為正常和異常兩類。在這個問題中，通常更關心異常的情況，因此將異常樣本設為正例（值為1），將正常樣本設為負例（值為0）。機器學習中常用混淆矩陣來衡量分類的質量，各種情形列于表1。

精確率 （Precision，用P表示） 是指所有被預測為異常的樣本中，預測為異常、實際也為異常的樣本所占的比例。其值越高，說明誤檢率越低、異常檢測效果越好，有

其中，NTP為正例的數量，NFP為負例的數量。

召回率 （Recall，用R表示） 是指預測為異常、實際也為異常的樣本，占實際上所有異常的比例。其值越高，說明漏檢率越低、異常檢測效果越好，有

其中，NFN為負例的數量。

但倘若只單獨分析精確率或者召回率也是意義不大的：例如為了不誤檢，只將最可能是異常的幾個樣本點挑出來，這樣精確率很高，但大量異常未被發現；或是為了不漏檢，將所有疑似異常的都挑出來，這樣召回率很高，但存在大量虛警。因此，要綜合考慮召回率和精確率，才能反映真實效果。為此，引入了F1-score。

F1-score（用F表示）是精確率和召回率的加權調和平均，取值范圍為[0,1]，其值越接近1，說明異常檢測質量越高。在本文后續實驗中，選擇F1-score作為主要評價指標，衡量算法異常檢測效果，有

3.2 衛星遙測數據集測試

3.2.1 實驗數據

實驗數據來自于中國某空間科學衛星，采樣周期為1 s。選取2020年12月的部分延時遙測數據中的電源主要包進行算法驗證，共獲得58維特征，10萬條數據樣本。

在實際工程中，衛星狀態異常并不常見，一段連續時間內發生多次異常的情況更少。此外，與其他設備不同，衛星的高造價和長期在太空環境中運行，就使得給衛星斷電或人為模擬故障實驗是不現實的。因此，本文在原始正常數據的基礎上，根據各屬性含義和取值范圍等先驗知識，結合專家經驗，進行異常注入，得到模擬的含有點異常的衛星遙測數據（異常數據占比0.33%）供后續實驗。

所用遙測數據來自衛星電源分系統，包含電壓、電流、開關狀態、配電狀態、溫度等屬性。針對原始數據，預處理主要包括特征選擇、數據標準化、主成分分析等。

3.2.1.1 特征選擇

本文所研究的衛星狀態異常檢測，針對點異常中的集體異常，研究對象是模擬量，即連續值。因此，首先刪除遙測數據中的狀態量，以及不具有實際意義的保留字段。剩余屬性均屬于研究范圍，但各屬性間并非獨立，很多屬性相互關聯，有的還高度相關。對于相關性高的屬性，所包含的信息往往極為相似。刪除相似屬性，可以減少特征冗余，提高效率。

皮爾森相關系數是常見的相關性度量指標之一，可以衡量線性相關的連續變量之間的相關程度。皮爾森系數ρx,y介于[-1, 1]，絕對值越接近1，說明兩個變量越相關。其中，負數代表負相關，正數代表正相關。通常認為，|ρx,y|＞0.8表示兩個變量極強相關，0.8 ＞|ρx,y|＞0.6表示兩個變量強相關。分別計算屬性兩兩間的皮爾森相關系數，并畫出屬性相關性熱力圖，如圖4所示。圖4中顏色越淺代表屬性正相關性越強，顏色越深代表屬性負相關性越強。

圖4 屬性相關性熱力圖Fig.4 Attribute correlation heat map

3.2.1.2 數據標準化

使用Z-Score標準化（即標準差標準化），將數據轉化為標準正態分布。該方法對于后續主成分分析和聚類的距離相似性度量有較好的效果。同時使用該方法在一定程度上可以避免Min-Max標準化等對異常值敏感的問題。

3.2.1.3 主成分分析

經特征選擇，數據屬性已大幅減少，但仍具有較高維度，影響聚類效率。因此，通過主成分分析進一步將數據維度降至三維，從而能可視化顯示，便于直觀觀察。在三維坐標系中，可視化顯示出經預處理后的數據點，如圖5所示。可以看出，絕大多數正常點密集分布在一起，而異常點形成幾個小簇，比較分散，符合利用聚類進行異常檢測的認知規律。

圖5 異常點分布（藍色表示正常點，紅色表示異常點）Fig.5 Distribution of anomalies (Blue represents normal points, and red represents abnormal points)

3.2.2 參數設置

為驗證提出的聚類超參數自適應搜索的效果，以網格搜索為基準，選取基于劃分的聚類 K-Means，基于密度的聚類MeanShift、DBSCAN和基于層次的聚類BIRCH算法進行對比測試。對于各聚類算法，分別采用網格搜索的方式和自適應搜索的方式，選擇異常檢測效果最好的聚類超參數。

對于智能優化算法的測試，為避免偶然情況的干擾，需要多次運行，求得最優值、最差值、均值和方差，來綜合評定算法性能。因此，自適應搜索方式中，對于UMOEAs-II算法，本文設定的運行次數為10次，各算法具體參數設置見表2。

表2 UMOEAs-II算法參數設置Table 2 Parameter settings of UMOEAs-II

自適應搜索中，每次評價執行一次聚類算法，計算適應度值。網格搜索中，每個網格點對應一組超參數取值，執行一次聚類算法。因此，聚類算法運行總次數分別對應自適應搜索中的最大評估次數和網格搜索中的網格點數。為使兩種搜索方式處在可比的規模，在網格搜索中，設定網格點數NUM為自適應搜索中UMOEAsII算法的最大評估次數Max_FES，保證兩種方式測試了同等數量的聚類超參數組合。

相應地，為避免實驗的偶然性，在保證劃分精細度不變的前提下，隨機網格的具體劃分方式，并運行10次，與自適應搜索保持一致。每種聚類算法測試的參數組合列于表3，統計F1-score的最優值、最差值、均值和方差。同時，為比較搜索效率，記錄算法執行時間。

表3 網格搜索測試參數組合Table 3 Parameter combinations of grid search

3.2.3 實驗結果

分別統計網格搜索（MeanShift，K-Means，DBSCAN，BIRCH）和自適應搜索（UMOEAsII_Mean-Shift，UMOEAsII_K-Means，UMOEAsII_DBSCAN，UMOEAsII_BIRCH）兩種方式下，算法運行10次的結果，得到的統計量列于表4。

表4 算法測試結果對比Table 4 Comparison of algorithm test results

比較傳統的聚類算法K-Means，MeanShift，DBSCAN和BIRCH，可以發現，基于層次的BIRCH聚類效果最好，在最優超參數下，利用BIRCH算法進行異常檢測的 F1-score 優于其他聚類。同時比較各聚類算法平均執行一次的時間可得，BIRCH算法的執行效率高于K-Means和DBSCAN，僅次于Mean-Shift，但BIRCH算法異常檢測的性能遠優于Mean-Shift。這也印證了BIRCH算法通過只掃描一次數據集，然后迭代改進的方式聚類，時間復雜度更低、效率更高，適用于處理大規模數據。

分別比較各聚類算法兩種搜索方式下10次運行的結果，由表4可以看出，自適應搜索方式得到的最優值、最差值和均值都高于或與網格搜索方式的結果持平。同時，對比算法運行時間可得，自適應搜索在最好、最壞和平均情況下均能以更高效率得到比網格搜索更優或等優的解。此外，自適應搜索的方差相較于網格搜索更小、穩定性更高。

為觀察算法收斂過程，依據記錄點給出F1-score最優值演化過程折線圖（見圖6）。折線反映了利用進化算法搜索最優聚類超參數過程中F1-score的演化過程?？梢钥闯?，算法在運行結束前數十次至上百次評價時就已達到收斂，具有較好的收斂性能。這說明自適應搜索實際找到最優解的時間小于執行時間，效率高于網格搜索。

圖6 進化算法演化過程曲線Fig.6 Evolution process curve of evolutionary algorithm

為展示網格搜索方式尋找最優參數的過程，依據聚類超參數組合和對應的F1-score繪制曲線圖與曲面圖（見圖7）。從圖7可以看出，當F1-score最大時，異常檢測效果最好，則尋優過程可以理解為搜索圖中最高點，最高點處對應的超參數即可近似視為最優聚類參數組合。

圖7 參數網格搜索過程Fig.7 Process of parameter grid searching

由圖7還可以看出，F1-score隨超參數變化劇烈，無明顯規律，趨勢難以預知。若設置的步長過大，則搜索不夠精細，可能錯過更優的取值；若設置的步長過小，則需測試很多種組合，增大時間開銷。而在固定網格劃分精度的前提下，無論選擇哪種具體劃分方式，都只能搜索到網格點上的參數組合，無法測試不在網格上的點，約束性強。

綜上所述，本文提出的UMOEAsII_BIRCH算法通過自適應搜索的方式，在決策空間內搜尋，克服了網格搜索方式中搜索精細程度與效率之間的平衡問題，能夠以更高效率發現更加優異的解，且超參數個數越多，優勢越顯著。同時，該方法需要的人工干預較少，不受先驗知識的限制，達到了改進的預期效果。此外，改進的UMOEAsII_BIRCH算法適用于大數據集，在衛星遙測數據集上測試有效，異常檢測F1-score可達0.86。

3.3 公開數據集測試

為驗證參數自適應聚類的可拓展性，選取異常檢測公開數據集Thyroid進行測試。該數據集包括3772條樣本，每條樣本含6維屬性，共分為正常和異常兩個類別，其中異常樣本有93條，占比2.466%。分別選取基于劃分的聚類K-Means、基于密度的聚類DBSCAN和基于層次的聚類BIRCH算法進行測試，設定算法運行次數為10次，自適應搜索和網格搜索方式的具體參數設置列于表5和表6。

表5 UMOEAs-II算法參數設置Table 5 Parameter settings of UMOEAs-II

表6 網格搜索測試參數組合Table 6 Parameter combinations of grid search

分別統計網格搜索和自適應搜索兩種方式下算法運行10次的結果，記錄F1-score的最優值、最差值、均值、方差以及算法的執行時間，結果列于表7。

表7 算法測試結果Table 7 Algorithm test results

由表7可得，基于層次的BIRCH聚類異常檢測效果較其他聚類更好。對于各聚類算法，自適應搜索在最壞情況下的解優于網格搜索在最好情況下的解，說明自適應搜索能以更高效率搜索到更優的聚類超參數。同時，自適應搜索得到的F1-score的方差很小，說明該搜索方式有較強的穩定性。實驗結果表明，本文提出的UMOEAsII_BIRCH算法在公開數據集Thyroid上測試有效，可拓展至不同數據集。

4 結語

為解決傳統聚類算法對超參數高度敏感，網格搜索過程繁瑣、結果不精細、效率低的問題，基于智能優化算法的啟發式搜索能力，提出了超參數自適應優化的聚類算法 UMOEAsII_BIRCH，并在衛星遙測數據集和公開數據集上進行了驗證。以網格搜索為基準，分別選取基于劃分、基于層次和基于密度的聚類算法，對比本文提出的自適應搜索和網格搜索兩種方式在等規模聚類次數下，算法10次運行中F1-score的最優值、最差值、均值、方差以及算法的執行時間。實驗結果表明，自適應搜索克服了網格搜索中精細程度與效率之間矛盾的問題，不受網格點的限制，能在更短時間內尋得更精細的聚類超參數取值，無需人工干預，證明了將智能優化算法與聚類結合以實現聚類超參數自適應搜索的有效性。此外，本文提出的算法結合了BIRCH算法和UMOEAs-II算法的優勢，實現了基于超參數自適應優化聚類的異常檢測，綜合性能較高。不過，該方法目前只針對離線檢測進行了實驗，即在大量歷史數據中發現異常樣本。未來如拓展至實時在線檢測將具有更重要的意義。