从深港市跳到了新加坡。
不可能。
除非……
路容盯着屏幕，心跳微微加速。
除非这个device_id不是真实的设备标识，而是经过某种映射或伪造的ID。或者，数据来源本身就有问题——可能混合了多个渠道的数据，没有做好去重和归一化。
又或者，这些数据根本不是实时采集的，而是从某个数据仓库里批量导出，重新打包加密后，伪装成实时数据流。
她继续查看。
又发现了几个类似的案例：相同的device_id出现在不同的来源IP，时间间隔很短，访问行为不连贯。
还有一批数据，timestamp的时间顺序是乱的——晚发生的事件，时间戳反而比早发生的事件更早。
以及一些payload解密后，JSON结构虽然正确，但某些字段的值明显异常：页面停留时间999999秒，滚动深度-1，按钮点击坐标(9999,9999)……
路容把这些异常案例记录下来。
然后，她开始修改过滤规则代码。
针对device_id异常跳变的情况，她加入了一个检查：如果同一个device_id在十分钟内出现在地理距离不可能达到的IP地址（比如深港市和新加坡），就将这两个数据包都标记为“设备标识可疑”，进入人工审核队列。
针对timestamp乱序的情况，她加入时间戳合理性校验：如果数据包的时间戳比系统当前时间还晚，或者比同来源的前一个数据包早太多，就标记为“时间戳异常”。
针对字段值异常的情况，她加入数值范围检查。
每一条规则，都有合理的技术理由。
每一条规则，也都可能误伤正常数据。
但路容把误判的概率，控制在了一个“可接受”的范围——根据她写的测试用例，误判率大约在0.3%到0.5%之间。对于TB级别的数据流，这意味着每天会有数万个数据包被错误地标记为异常。
而系统告警的阈值，她设置为：同一数据源，异常率超过1%，持续五分钟，触发告警。
如果她的规则误判率是0.5%，正常数据流的异常率可能只有0.1%或更低，那么整体异常率不会超过0.6%，达不到告警阈值。
除非——
数据源本身的异常率就很高。
或者，有人故意往数据流
本章未完，请点击下一页继续阅读！