无监督异常检测论文集，可用于未来智能工厂预测性分析。

首先介绍流计算的基本概念和需求，分析了MapReduce框架为何不适合处理流数据；然后，阐述了流计算的处理流程和可应用的场景；接着介绍了流计算框架Storm的设计思想和架构设计；最后，通过实例来加深对Storm框架的了解

matlabk基于近邻的离群点检测代码莫夫 一种新的基于子结构的局部异常检测算法 摘要：已经提出了许多局部异常值检测技术来识别有意义的局部异常值，宝贵的研究通常使用 k-最近邻来量化局部邻域（kNN 邻域）并设计异常值评分函数。 然而，kNN 邻域不能准确表达呈现非球面分布的数据集的局部特征。 此外，评分函数基于一个潜在的假设，即观察的所有参考邻居都是正常的，这通常会导致低检测性能。 此外，基于 kNN 的方法通常对 k 敏感。 为了解决这些问题，提出了局部邻域和离群点评分函数的新定义，分别命名为k个节点的最小旋转树（k-MST）和基于k-MST的离群点因子（kMOF）。 k-MST对数据没有特殊要求，对k不敏感，接近的数据点可以共享同一个k-MST。 与传统的评分函数不同，kMOF 对每个子结构而不是数据集的每个数据点进行评分。 基于这些新设计，所提出的算法对于检测异常值和异常值组非常有效，并且具有提高效率的潜力。 在合成数据集和真实数据集上的实验结果表明，所提出的算法是有效且稳健的。 %%%%%%%%%%%%%%%%%%%%%%% MATLAB 2013a 及更高版本支持此代码。

增加了自动去获取管理员权限功能，无需人工干预即可在网络异常时，自动重启网卡或电脑恢复网络

时间序列异常分析matlab代码异常检测学习资源 也称为是一种识别外围数据对象的有趣且有用的技术。 它已被证明在许多领域至关重要，例如信用卡欺诈分析和机械单元缺陷检测。 在此存储库中，您会发现许多： 书籍和学术论文 学习资料，例如在线课程和视频 离群数据集 离群值检测库和演示代码 Paper Downloader ：一个Python 3脚本，用于下载此存储库中（正在开发中）列出的开放获取论文。 我将继续向存储库添加更多项目。 请随时通过打开一个问题或给我发送电子邮件@（）来建议一些关键材料。 享受阅读！ 1.书籍和教程 1.1。 图书 Charu Aggarwal着：涵盖大部分异常值分析技术的经典教科书。 异常检测中必须阅读的内容。 Charu Aggarwal和Saket Sathe撰写：关于异常分析中合奏学习的入门书籍。 作者：加里·汉（Morganine Kamber）Jian Pei：第12章讨论了离群值检测的许多要点。 1.2。 讲解 HP Kriegel，Pr。Kröger和A. Zimek，2010年。异常值检测技术。 ACM SIGKDD的教程，10。 Chawla，S

异常检测必读图书，全面介绍异常检测常用方法，包括统计学方法，机器学习方法等等

支持向量数据描述（SVDD） 用于使用SVDD进行异常检测或故障检测的Python代码。 电子邮件： 主要特点 用于仅包含正训练数据的训练数据集的SVDD模型。 （SVDD） 包含正训练数据和负训练数据的训练数据集的SVDD模型。 （nSVDD） 多种内核功能。 可视化模块，包括ROC曲线图，测试结果图和决策边界。 要求 matplotlib cvxopt 科学的 麻木 scikit_learn 关于SVDD型号 根据以下参考文献，可以构建两种类型的SVDD模型： [1] Tax DMJ，Duin RP W.支持向量数据描述[J]。 机器学习，2004，54（1）：45-66。 一个简单的决策边界应用程序（使用不同的内核函数） # -*- coding: utf-8 -*- import sys sys.path.append("..") from src.svdd im

PyOD - 用于异常值检测的Python工具包（也称为异常检测） Python 异常值检测 (PyOD) 部署、文档和统计信息 构建状态、覆盖率、可维护性和许可证 PyOD 是一个全面且可扩展的 Python 工具包，用于检测多元数据中的外围对象。 这个令人兴奋但具有挑战性的领域通常被称为异常值检测或异常检测。 自 2017 年以来，PyOD 已成功应用于各种学术研究和商业产品 [9] [17] [27] [29]。 机器学习社区也通过各种专门的帖子/教程得到了广泛认可，包括 Analytics Vidhya、KDnuggets、Towards Data Science、Computer Vision News 和 awesome-machine-learning。 PyOD 的特色在于：统一的 API、详细的文档和各种算法的交互式示例。 高级模型，包括神经网络/深度学习和异常值集成。 尽可能使用 numba 和 joblib 通过 JIT 和并行化优化性能。 兼容Python 2 & 3。 Python 2.7注意事项：Python 2.7维护将于2020年1

针对数据库用户行为异常导致数据库泄露问题，提出了一种基于K-means和naive Bayes算法的数据库用户异常检测方法。首先，利用数据库历史审计日志中用户的查询语句与查询结果，采用K-means聚类方法得到用户的分组；然后，使用naive Bayes分类算法构造用户异常检测模型。与单独使用naive Bayes分类法构造的模型相比，在数据预处理时其精简了用户行为轮廓的表示方法，降低了计算冗余，减少了81%的训练时间；利用K-means聚类方法得到用户组别，使检测的精确率提高了7.06%，F1值提高了3.33%。实验证明，所提方法大幅降低了训练时间，取得了良好的检测效果。

rrcf :evergreen_tree: :evergreen_tree: :evergreen_tree: 用于异常检测的鲁棒随机砍伐森林算法的实现 。 S.Guha，N.Mishra，G.Roy和O.Schrijvers，基于流的鲁棒随机采伐森林异常检测，在2016年第33届国际机器学习国际会议论文集（纽约，纽约，第2712-2721页） ）。 关于 鲁棒随机砍伐森林（RRCF）算法是一种用于检测流数据中异常值的集成方法。 RRCF提供了许多竞争性异常检测算法所缺乏的许多功能。 具体而言，RRCF： 设计用于处理流数据。 在高维数据上表现良好。 减少不相关尺寸的影响。 优雅地处理可能会掩盖异常值的重复项和几乎重复项。 具有异常评分算法，具有清晰的基本统计含义。 该存储库提供了RRCF算法及其核心数据结构的开源实现，目的是促进实验并实现RRCF算法的未来扩展。 文献资料 在阅读文档 。 安装 使用pip通过pypi安装rrcf ： $ pip i