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

马氏距离异常检测 马氏距离用于多变量异常检测的实现。 此仓库包含使用数据组件之间的马氏距离在多变量数据中创建阈值异常检测的功能。 点安装-i mahala-ad 改编自： :

低速率拒绝服务（LDoS,low-rate denial of service）攻击是一种降质服务（RoQ,reduction of quality）攻击，具有平均速率低和隐蔽性强的特点，它是云计算平台和大数据中心面临的最大安全威胁之一。提取了LDoS攻击流量的3个内在特征，建立基于BP神经网络的LDoS攻击分类器，提出了基于联合特征的LDoS攻击检测方法。该方法将LDoS攻击的3个内在特征组成联合特征作为BP神经网络的输入，通过预先设定的决策指标，达到检测LDoS攻击的目的。采用LDoS攻击流量专用产生工具，在NS2仿真平台和test-bed网络环境中对检测算法进行了测试与验证，实验结果表明通过假设检验得出检测率为 96.68%。与现有研究成果比较说明基于联合特征的LDoS攻击检测性优于单个特征，并具有较高的计算效率。

PyTorch实施“学习内存指导的异常检测正常性” 这是论文“学习内存指导的异常检测正常性（CVPR 2020）”的实现。 有关更多信息，请查看项目站点[]和论文[ ]。 依存关系 Python 3.6 PyTorch 1.1.0 脾气暴躁的 斯克莱恩 数据集 USCD Ped2 [] 中大大道[] ShanghaiTech [] 这些数据集来自“用于异常检测的未来帧预测-新基准（CVPR 2018）”的官方github。 将数据dataset下载到数据dataset文件夹中，例如./dataset/ped2/ 更新 21年2月4日：我们上传了基于重建方法的代码，并预先训练了用于Ped2重建，大道预测和大道重建的方法。 训练 训练和测试代码基于预测方法 现在，您可以基于预测和重构方法对代码进行隐含标记。 这些代码基本上是基于预测方法的，您可以轻松地将其实现为 git c

异常检测作为智能视频监控的研究难点和关键技术，其关键问题就是如何获得更好的特征表示，而深度学习相较于传统方法的优势在于可以自动地从海量数据中学习出有用的特征数据，为异常检测问题提供了一个很好的解决方法。

LSTM自编码器异常检测模型

输电线路异物数据集（4517+VOC），包含约4k张8k分辨率的高质量图像。已由我们整理好分为训练集、测试集，可直接用于YOLO

MATLAB用拟合出的代码绘图异常检测 将执行异常检测算法以检测数据集中的异常行为。 在提供的示例中，我们将检测服务器计算机中的异常行为。 我将首先通过一个简单的数据集演示异常检测算法（每个示例仅由两个功能来描述），以便我们可以直观地看到该算法的功能。 然后，我们将转到一个更现实的数据集（每个示例均由11个功能描述）。 但是，该算法也可以应用于您自己的数据集！ 这种异常检测算法是根据Andrew Cg在Coursera上的机器学习课程的第八部分的第一部分改编而来的。 运行项目 确保已安装MATLAB或Octave。 将项目克隆到本地计算机。 运行anomalydetection.m。 对于指导性实施，您可以运行实时脚本AnomalyDetection.mlx。 项目详情 将实施异常检测算法以检测服务器计算机中的异常行为。 但是，此数据集是任意的，该算法也可以应用于您的数据集！ 在我们的第一个示例中，这些功能测量每个服务器响应的吞吐量（mb / s）和等待时间（ms）。 提供了一个示例数据集，其中m = 307个有关服务器行为方式的示例。 因此，我们有一个未标记的数据集。 怀疑这些示例中

1、 主体结构是基于对 LOF 算法进行改进而来 2、 主要提高的地方是大大减少了 LOF 算法的时间复杂度以及运行时间（就最近一段时间阅 1、 提出了当 LO