在接口耗时、QPS、错误率、资源利用率等时序指标中，我们经常想知道：

在这一串数据里，到底哪些点算“明显异常”？
是不是只有少数点特别离谱，其余都还算正常波动？

本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个Z-Score 时序异常打分与异常点排行器：

• 使用 Z-Score（标准分）对每个样本点进行“异常程度”打分；
• 支持配置 TopK，输出最异常的 K 个点（按 \(|Z|\) 从大到小排序）；
• 给出均值、标准差等整体统计信息，帮助理解异常点相对位置与严重程度；
• 通过 ArkTS 单页面展示完整报告，便于在终端侧快速识别异常点。

---

一、问题背景与典型场景

在 AIOps 与业务监控中，常见需求包括：

1. 接口耗时异常点识别
   一串耗时数据中，哪些请求远高于整体水平？Z-Score 可以快速标出这些异常请求。

2. QPS 或流量异常突刺
   某一时刻的 QPS 是否远超其他时间点？是否属于“流量洪峰”的一部分？

3. 错误次数或重试次数异常升高
   某些时刻的错误计数或重试计数是否明显偏高，值得重点关注？

4. 业务指标异常点检测
   对订单量、支付失败量、点击次数等指标进行异常打分，快速定位“异常行为”时段。

Z-Score 是一个经典、简单且易于解释的统计工具：

对于样本 \( x_i \)，其 Z-Score 定义为 \( z_i = (x_i - \mu) / \sigma \)，
其中 \( \mu \) 为均值，\( \sigma \) 为标准差。\(|z_i|\) 越大，说明 \( x_i \) 越偏离整体平均水平。

---

二、Kotlin Z-Score 异常打分引擎

1. 输入格式设计

沿用本系列案例的配置风格，本案例支持如下输入形式：

k=5
series=10,12,11,13,50,14,12,11,60,13,12

• k：TopK 异常点数量（可选，默认可视为 5）；
• series：一串以 , / 空格 / ; / 换行分隔的数值样本。

也支持类似：

series=10,12,11,13,50
12,11,60,13,12

解析逻辑会从每一行中尝试解析所有可转换为 Double 的数值。

---

2. Kotlin 分析主入口

在 App.kt 中，我们定义了对外暴露的分析函数，并通过 @JsExport 让 OpenHarmony 端可以调用：

@JsExport
fun zScoreAnomalyRanker(inputData: String): String {
    val sanitized = inputData.trim()
    if (sanitized.isEmpty()) {
        return "❌ 输入为空，请按 k=5\\nseries=10,12,11,13,50,... 形式提供数据"
    }

    val lines = sanitized.lines()
        .map { it.trim() }
        .filter { it.isNotEmpty() }

    var k: Int? = null
    val values = mutableListOf<Double>()

    for (line in lines) {
        when {
            line.startsWith("k=", ignoreCase = true) -> {
                k = line.substringAfter("=").trim().toIntOrNull()
            }
            line.startsWith("series=", ignoreCase = true) -> {
                val parsed = line.substringAfter("=")
                    .split(",", " ", ";", "\n")
                    .mapNotNull { it.trim().takeIf { s -> s.isNotEmpty() }?.toDoubleOrNull() }
                values += parsed
            }
            else -> {
                val parsed = line.split(",", " ", ";", "\n")
                    .mapNotNull { it.trim().takeIf { s -> s.isNotEmpty() }?.toDoubleOrNull() }
                values += parsed
            }
        }
    }

    if (values.size < 3) {
        return "❌ 至少需要 3 个及以上样本点才能计算 Z-Score 异常分数"
    }
    val topK = (k ?: 5).coerceAtMost(values.size)

    val n = values.size
    val mean = values.sum() / n
    val variance = values.fold(0.0) { acc, v -> acc + (v - mean) * (v - mean) } / n
    val std = kotlin.math.sqrt(variance)
    if (std == 0.0) {
        return "ℹ️ 所有样本值完全相同 (均值=$mean, 方差=0)，无法基于 Z-Score 识别异常点"
    }

    data class ScoredPoint(val index: Int, val value: Double, val z: Double)

    val scored = values.mapIndexed { idx, v ->
        val z = (v - mean) / std
        ScoredPoint(idx, v, z)
    }

    val ranked = scored.sortedByDescending { kotlin.math.abs(it.z) }
    val builder = StringBuilder()

    builder.appendLine("📊 Z-Score 时序异常打分与异常点排行报告")
    builder.appendLine("━━━━━━━━━━━━━━━━━━━━━━━━━━━━")
    builder.appendLine("样本数量: $n")
    builder.appendLine("均值 (mean): ${round2(mean)}")
    builder.appendLine("标准差 (std): ${round2(std)}")
    builder.appendLine("TopK 异常点数量: $topK")
    builder.appendLine()

    builder.appendLine("🧮 原始序列")
    builder.appendLine(values.joinToString(prefix = "[", postfix = "]"))
    builder.appendLine()

    builder.appendLine("🏅 TopK 异常点排行（按 |Z-Score| 从高到低）")
    ranked.take(topK).forEachIndexed { rank, p ->
        builder.appendLine(
            "第 ${rank + 1} 名: 索引=${p.index}, 值=${p.value}, Z-Score=${round2(p.z)} (|Z|=${round2(kotlin.math.abs(p.z))})"
        )
    }

    builder.appendLine()
    builder.appendLine("🧠 工程化解读")
    builder.appendLine("- Z-Score 异常打分适合用于“整体波动较平稳”的指标，快速标记明显偏离均值的点；")
    builder.appendLine("- 一般认为 |Z| > 2 或 |Z| > 3 的点具有明显异常性，可作为告警候选；")
    builder.appendLine("- 在非高斯分布场景下，可结合分位数/箱线图等方法综合判断，避免单一标准产生误报。")

    return builder.toString().trim()
}

核心步骤：

1. 解析 k 和 series；
2. 计算样本均值 mean 与标准差 std；
3. 对每个点计算 Z-Score：\( z_i = (x_i - \mu) / \sigma \)；
4. 按 \(|z_i|\) 从大到小排序，取前 TopK 作为“最异常的 K 个点”。

---

三、OpenHarmony 侧调用与 UI 展示思路

在 ArkTS 页面中，可以像其他案例一样导入并调用：

import { zScoreAnomalyRanker } from './hellokjs'

页面状态建议包括：

• kValue: TopK 数量（默认 "5"）；
• seriesInput: 时序样本数据字符串（如 "10,12,11,13,50,14,12,11,60,13,12"）。

调用示例：

const seriesLine = this.seriesInput.includes('series=') ? this.seriesInput : `series=${this.seriesInput}`
const payload = `k=${this.kValue}\n${seriesLine}`
this.result = zScoreAnomalyRanker(payload)

展示层可以：

• 使用等宽字体展示“原始序列 + TopK 异常点列表”；
• 对“TopK 异常点排行”部分做重点高亮，例如用不同颜色或图标标记；
• 可以进一步将异常点索引映射回图形化折线图中，在 ArkTS 侧以“红点”形式标出。

---

四、复杂度与工程实践建议

复杂度分析：

• 统计均值与标准差：\( O(n) \)；
• 计算每个点的 Z-Score：\( O(n) \)；
• 排序获取 TopK：\( O(n \log n) \)；
• 整体复杂度约为 \( O(n \log n) \)，在典型终端侧数据规模下完全可接受。

工程实践中的扩展方向：

1. 滑动窗口 Z-Score
   对滑动窗口内的数据计算 Z-Score，检测“局部异常点”，而不是全局异常。

2. 与分位数/箱线图组合
   将 Z-Score 与 P95/P99、IQR 离群值检测组合使用，降低单一统计方法在非正态分布场景中的误报概率。

3. 多维异常打分
   在多指标场景下，对多维数据计算“综合异常分数”（例如将各指标 Z-Score 做加权合成）。

4. 端侧轻量异常检测
   将该 Z-Score 异常打分逻辑嵌入 OpenHarmony 设备端，实现本地轻量异常检测与 TopK 报告，无需依赖后端大数据平台。

通过这个 Z-Score 时序异常打分与异常点排行案例，你可以在设备侧快速定位“最值得关注的少数异常点”，
为后续的日志钻取、链路追踪与根因分析节省大量时间与精力。

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net