Speaker
Shuihan Zhang
(IHEP)
Description
针对高能物理实验数据质量监测的共性需求，本文突破传统监测方法的局限，设计并研发了一种通用的智能监测体系。首先，针对不同高能物理实验在线监测系统重复设计的痛点，提出并实现了一种基于ROOT的通用数据质量监测方案。通过标准化接口规范，系统能够快速适配不同实验平台，显著提高了开发效率与可复用性。同时，为确保大规模系统下的实时响应能力，提出了基于级联配置和“HistMaster”分布式处理架构的部署策略，并通过并行计算优化，实现了系统的高效部署与稳定运行。经多场景验证，该方案在不同实验环境下均表现出良好的适用性与可靠性。
此外，针对同时监测上万张直方图的复杂场景，本文结合先进的智能技术，提出了一种基于机器学习的实时异常检测方法，构建了“特征提取-模型训练-模型评估优化-在线部署”的完整技术链条。实验验证表明，该方法在万级直方图并发监测场景下，将异常检测耗时压缩至秒量级，且检测精确率较传统方法显著提升。该方案已成功部署应用于实际实验，为高能物理实验数据质量监测提供了可推广的实时异常检测范式。
目前，本文已基于JUNO-SPMT数据集完成了系统框架的设计与关键技术实现，相关成果不仅为JUNO实验提供了技术支持，也为其他高能物理实验的数据质量监测提供了可复用的解决方案，具有广泛的推广价值。
Primary author
Shuihan Zhang
(IHEP)
Co-author
筱璐 季
(中国科学院高能物理研究所)
