Twitter開源的時序資料突變檢測（BreakoutDetection）,基於無參的E-Divisive with Medians (EDM)演算法，比傳統的E-Divisive演算法快3.5倍以上，並且具有魯棒統計性，就是你加入一些離群點或異常點，並不影響該演算法的檢測效果，不過最關鍵的還是無參特性，有時候調參真是件摸著石頭過河的事。

  它認為突變有兩種方式：

  1.Mean Shift：突然跳變，比如CPU從40%一躍跳變為60%，像佛教裡講的“頓宗”

  2.Ramp Up：緩慢從一個平穩狀態漸變到另一個平穩狀態，比如CPU從40%平穩緩慢漸變為60%並平穩，像佛教裡講的“漸宗”

  專案原始碼（提交後好像就不更新了）：https://github.com/twitter/BreakoutDetection/

  其他針對該演算法的講解（可能需要梯子）：

  https://blog.revolutionanalytics.com/2014/11/breakout-detection.html

  https://blog.twitter.com/2014/breakout-detection-in-the-wild

  https://anomaly.io/anomaly-detection-using-twitter-breakout/

  【注】https://anomaly.io/真的挺不錯，需要持續關注其中的部落格

  視訊：

  https://www.youtube.com/watch?v=fcsyL5TwIvE

  “魯棒統計”

  Robust Statistics：A minor error[the anomaly]  in the mathematical model should cause only a small error in the final conclusions

  [moving median] 屬於魯棒統計，[moving average]不屬於魯棒統計 

  https://anomaly.io/moving-median-robust-anomaly/