监控网络设备，就像盯着一条不断刷新的心电图：某个读数偏高，可能只是前一刻高值的自然延续，也可能真是故障。多数在线变点检测却把每次读数当成互不相关的新证据，容易高估信息量，造成误报增多或发现变慢。Fan 等人提出 AR(p)-focus，专门处理这种自相关——当前读数受前 p 个时点影响——的流数据。
它把广义似然比检验（GLR，即比较“始终没变”和“某个未知时刻发生变化”哪种解释更合理）改写到 AR(p) 模型中，再沿用 focus 算法的剪枝思路：持续淘汰今后不可能成为最佳解释的候选变点，同时保留精确的似然比计算。论文称，其每轮平均计算量只随数据长度呈对数增长，适合高频数据流；模拟中，在存在时间相关性时，它比基于独立同分布假设的检验具有更高检测能力。作者还用电信网络数据展示了应用，但所给材料未披露具体提升数字。