时间序列是一类重要的时间数据对象，可以很容易地从科学和金融应用中获得，并且时间序列的异常检测已成为当前的热门研究课题。 这项调查旨在提供有关异常检测研究的结构化和全面的概述。 在本文中，我们讨论了异常的定义，并根据每种技术采用的基本方法将现有技术分为不同的类别。 对于每个类别，我们都会确定该类别中该技术的优缺点。 然后，我们简要介绍一下最近的代表性方法。 此外，我们还指出了有关多元时间序列异常的一些关键问题。 最后，讨论了有关异常检测的一些建议，并总结了未来的研究趋势，有望对时间序列和其他相关领域的研究者有所帮助。

无监督异常检测库 可用算法： 神经网络 神经网络 LOF（以scikit-learn软件包提供） COF INFLO 环形 LOCI 阿罗西 克洛夫 微博 数码相机 CMGOS HBOS 前列腺癌 CMGOS 一类SVM（可在scikit-learn软件包中获得） @作者Iskandar Sitdikov

基于孤立森林的代码实现

基于LSTM神经网络模型的日志异常检测 主要基于Deeplog实现 DeepLog - Anomaly Detection and Diagnosis from System Logs through Deep Learning (部分paper来源于知网，请尊重版权~)

CICIDS2017数据集包含良性和最新的常见攻击，与真实的现实世界数据（PCAPs）相类似。它还包括使用CICFlowMeter进行网络流量分析的结果，并根据时间戳、源和目的IP、源和目的端口、协议和攻击来标记流量（CSV文件）。此外，还提供了提取的特征定义。 生成真实的背景流量是我们建立这个数据集的首要任务。我们使用了我们提出的B-Profile系统（Sharafaldin, et al. 2016）来描述人类互动的抽象行为并生成自然的良性背景流量。对于这个数据集，我们建立了基于HTTP、HTTPS、FTP、SSH和电子邮件协议的25个用户的抽象行为。Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv 2023-02-28 73.55MB Wednesday-workingHours.pcap_ISCX.csv 2023-02-28 214.74MB Friday-WorkingHours-Afternoon-PortScan.pcap_ISCX.csv 2023-02-28 73.34MB Friday-WorkingHours-Mo

提出了一种网络流量异常检测新算法。该算法将线性模型与小波变换相结合，解决了阈值监控无法告警和监测的问题。在实际的网络数据SNMP MIB以及Netflow的应用检测中，性能较好。与GLR算法相比，异常点的判断更加及时、准确、可靠。

深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品，也请引用以下文章： @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti

描述 在MIT视频监控数据集上使用NNMF进行异常检测 接触 Vu Nguyen博士， 引文 Bayesian Nonparametric Approaches to Abnormality Detection in Video Surveillance. Nguyen, V., Phung, D., Pham, D. S., & Venkatesh, S In Annals of Data Science, pp 1-21, 2015. Interactive Browsing System for Anomaly Video Surveillance. T.V. Nguyen, D. Phung, S. K. Gupta, and S Venkatesh In IEEE Eighth International Conference on Intelligent Sensors,

日志异常检测器 日志异常检测器是一个名为“ Project Scorpio”的开源项目代码。 LAD也简称为LAD。 它可以连接到流媒体源并生成对异常日志行的预测。 在内部，它使用无监督机器学习。 我们结合了许多机器学习模型来实现这一结果。 另外，它在回路反馈系统中还包括一个人。 项目背景 该项目的最初目标是开发一种自动方法，根据用户应用程序日志中包含的信息，在用户的应用程序出现问题时通知用户。 不幸的是，日志中充满了包含警告甚至是可以忽略的错误的消息，因此简单的“查找关键字”方法是不够的。 另外，日志的数量在不断增加，没有人愿意或无法监视所有日志。 简而言之，我们的最初目标是使用自然语言处理工具进行文本编码，并使用机器学习方法进行自动异常检测，以构建一种工具，该工具可以通过突出显示最日志来帮助开发人员针对失败的应用程序更快地执行根本原因分析如果应用程序开始产生高频率的异常日志，则很可能

在化工原料、服装、食品原料等的出货检验中，需要检测正常产品中的缺陷和杂质，但很难收集到足够的异常图像用于深度学习。 该演示展示了如何使用 CAE 检测和定位异常。 这种只使用正常图像进行训练的方法可能使您能够检测到从未见过的异常​​，通过自定义SegNet模型，您可以轻松地获得此任务的网络结构。 [日本人]在这个演示中，您可以使用深度学习来检测和定位出现在正常图像中的异常。这种仅使用正常图像训练模型的方法可能会检测到您以前从未见过的异常​​情况。我正在自定义 SegNet 模型以轻松获取模型结构。 【Keyward】图像处理、图像分类、深度学习、深度学习、IPCV演示・ SegNet ・ 异常检测 ・ 视觉检测 ・ 语义分割 ・ 自动编码器 ・ 卷积