直接连乘
先算每维密度，再不断相乘
p₁ × p₂ × p₃ × p₄
— 等待计算把每个特征放回单变量高斯
观察预设
每一维使用 log pj = −log σj − ½log(2π) − ½((xj−μj)/σj)²。标准差必须大于 0。
同一个联合分数，两条计算路径
对数求和
先取 log，再把乘法变成加法
log p₁ + log p₂ + log p₃ + log p₄
— 有限、可排序最后取负号，统一成“分数越大越异常”：s(x) = −log p(x)。
异常分数 s(x)
—
先找贡献最大的维度，再用阈值切分
−log pj 贡献排序
条越长，这一维给总异常分数加得越多。密度可以大于 1，因此贡献也可能为负；条形只画正贡献，右侧仍显示完整数值。排序不等同于故障原因。
阈值 τ
本页约定 s(x) ≥ τ 时告警。阈值应由验证标签、误报代价和复核容量决定。
030
—
异常分数和密度都不是“故障概率”；换单位、换特征或换维数后，旧阈值通常不能原样照搬。
独立性假设换来了透明，也放弃了相关结构
对角高斯的联合密度
p(x) = ∏j=1…d p(xj)
这条乘积公式假设各特征在正常模型下相互独立，等价于只保留协方差矩阵的对角线。好处是参数少、计算快，而且总分可以拆回逐特征贡献。
它看不见“请求量升高时 CPU 也应升高”这类关系。两个单变量都处在常见范围内，组合起来仍可能反常；两个高度相关的特征也可能重复计算同一份偏离。关系本身重要时，应考虑条件残差、多元高斯或其他能表达相关结构的方法。