寻求合适Azure服务 实现IoT长时序温度数据实时异常检测告警

你之前碰到的Anomaly Detector单请求8640个时序点的上限，是单变量离线批检测接口的专属限制，完全没必要因为这个换服务，整套服务搭完完全能匹配你5秒/次设备上报、基于10个月历史数据识别异常模式的需求，对个人副业来说成本也压得很低。

历史基线训练部分 #

• 你现存的500万条历史数据不用硬塞单次请求：先按单设备维度拆分时序，按每段8600个点（留少量冗余不碰上限）做切片，分批上传训练即可，服务端会自动拼接同设备的全量历史数据生成专属检测基线，训练完成后返回对应设备的模型ID，不需要你自己写逻辑做时序拼接。
• 历史数据就存在你当前用的Azure Blob存储就行，选冷访问层，存500万条温度数据每月存储成本不到1美元，训练时直接读Blob里的CSV/Parquet文件，不用做额外数据迁移。

实时流处理部分 #

• 设备5秒一次的上报直接接Azure IoT Hub，免费层就能支持数十台设备的接入，不用自己搭MQTT服务，配内置路由就能把上报数据直接推到Azure流分析，省掉写消息转发服务的工作量。
• 流分析只做两个逻辑：一是过滤无效上报（空值、格式错误的数据包），二是把清洗后的实时数据组装成Anomaly Detector实时流式接口的请求。

重点避坑：Anomaly Detector的实时流式检测接口没有8640点的输入限制，那个限制只针对离线批检测场景。实时场景下你每次只需要传当前最新的1个数据点+对应设备的模型ID就行，服务端会自动关联该设备的历史上下文做异常判断，接口延迟普遍在200ms以内，完全扛得住5秒/次的上报频率。

告警推送部分 #

• 直接在流分析里配规则：当Anomaly Detector返回的异常置信分超过你预设的阈值（温度场景一般设0.85就能过滤绝大多数误报），就触发Azure Logic Apps的推送流程，支持发邮件、webhook推送到常用的聊天工具、短信通知，Logic Apps的免费配额基本能覆盖个人项目的告警量，不用单独写通知服务。

成本参考（个人副业量级） #

整套架构跑满你当前的设备规模，每月总成本基本在15-20美元区间：IoT Hub用免费层、Anomaly Detector S0层每月前1万次调用免费，超出部分每1万次调用0.12美元、流分析测试阶段可以用免费配额、Logic Apps用免费调用额度，几乎不会有成本压力。
别自己搭自定义机器学习集群做异常检测，你手里的500万条历史数据足够训练出准确率达标的温度检测基线，用托管服务能省至少80%的开发维护工作量。

内容的提问来源于stack exchange，提问作者DrewDrinksBrewedCoffee