服务器群的几百项指标里，可能只有几项悄悄变了，而且各自在不同时间变化。只盯一个固定长度的时间窗口，很容易顾此失彼：窗口太长，会让相邻变化互相遮住；窗口太短，又看不清微弱而持久的异常。Bastian 等人的新工作用同一套多尺度统计工具，同时处理实时数据流的在线检验，以及历史数据中的多个变点定位。变点就是数据状态发生改变的时刻。
它最值得注意的一步，是不预先押注某个窗口大小，而是同时扫描许多时间尺度：短尺度捕捉突然、相近的变化，长尺度寻找较弱、较孤立的变化；再用最大范数——只看各项指标中最突出的偏离——应对只有少数指标变化、且变化不同步的情况。难点在于，极短的数据片段并不适合直接做高斯近似。作者因此只在较长尺度上使用高斯近似，并用统一的概率界压住短尺度噪声。
这套方法还能为历史变点给出置信区间，并控制同时搜索多个变点带来的整体误报；在线部分则提供渐近错误率保证。作者还用模拟和加州山火污染监测数据展示方法，但现有材料未给出具体效果数字。