用 AI 推一遍 CUSUM：每次都没超线，连续小偏移为何仍会报警
模型服务的批次误差、延迟或特征统计量可能每天只变一点，单点阈值始终没有触发，连续趋势却已经值得检查。单侧CUSUM用一个会归零的累计量收集向上偏移。先把七个教学读数完整推一遍，就能看清它何时积累、何时忘记。
AI生成的概念示意图：小变化累积后可能跨过阈值；阶梯高度、数量与图中位置不代表正文的精确计算。
基线、参考偏移和报警线是三个参数
设稳定基线μ₀=10，参考偏移k=0.5，报警阈值h=2。定义C₀=0，每步Cₜ=max(0,Cₜ₋₁+xₜ-10-0.5)。本文约定严格大于2才报警，等于2先不报。阈值比较是大于还是大于等于，应在实现前固定。
七次读数依次为10.2、9.7、10.8、10.9、10.7、11.0、11.2，全部是人为构造的数据。减掉基线与k以后，每次增量依次为-0.3、-0.8、0.3、0.4、0.2、0.5、0.7。
负证据可以清零，正证据接着累积
第一步max(0,-0.3)=0；第二步max(0,-0.8)=0。第三步从零加0.3得到0.3，随后为0.7、0.9、1.4、2.1。第七步首次严格超过2，于是触发向上偏移信号。
若另设单点上限13，这七次一个都不超。两种规则回答的问题不同：单点线关注一次读数是否很大，CUSUM关注最近一段是否持续超过带容忍量的参考水平。这里仅比较规则行为，没有验证谁在真实系统中误报更少。
如果完全不做归零，只把七个增量相加，结果为1.0，早期两个负数抵消了后来的持续上升。CUSUM保留的是零与各个截至当前的连续后缀增量和中的最大值，因此早期负证据不会无限拖住新趋势。
用第二条计算路线检查递推
第七步从第三条开始的后缀和是0.3+0.4+0.2+0.5+0.7=2.1；从第一条开始只有1.0，从第四条开始为1.8。把全部七个后缀和与零比较，最大值正好等于递推结果。独立本地程序逐时枚举后缀，核对每一步都一致。
若第八条读数突然为8，增量为-2.5，累计量会由2.1回到0。这只表明当前统计量归零，不会抹去第七步已经发生的报警。实际系统应单独保存报警事件，并说明人工确认、重置与重新估计基线分别在什么时候发生。
让AI生成可核对的监控表
可以提示：“按给定μ₀、k、h和比较符号列出时间、读数、净增量、更新前累计、更新后累计、首次报警；再用所有后缀和核对。不能自行调整基线，也不能把报警称为故障已证实。”这份表适合排查监控规则的偏一位错误与错误重置。
k决定多大的向上偏移会持续贡献正增量；h决定要积累多少才行动，两者不能互相替代。把k设为零，会改变小波动的积累方式；把h随观察结果反复调小，则会让原先设想的误报控制失去依据。本文选择它们只是为了能手算，不提供生产默认值。
真实模型指标可能有周周期、批次大小变化和自相关，需要先确定稳定参考阶段及观测单位。缺失数据不能偷偷补成零，不同样本量的误差均值也不宜直接当成等方差读数。向下漂移应另建对应累计量，不能把同一个向上规则反过来解释。报警是调查入口，仍要回查流量、输入分布与模型版本。
资料核对日期：2026年10月2日。数据为原创教学设定，已用独立本地程序复核，未进行真实模型训练或生产效果测试。
上线前可以把正常历史按原始时间顺序回放，检查误报间隔与缺失片段；随后另造已知偏移的教学序列，确认报警位置。若为了计算方便打乱时间，连续积累的含义就已经被改变。
