星火森林 隔离林（iForest）是关注异常隔离的有效模型。 iForest使用树结构来对数据建模，与正常点相比，iTree隔离离树根更近的异常。 通过iForest模型计算异常分数，以测量数据实例的异常。 越高，越异常。 有关iForest的更多详细信息，请参见以下论文：[1]和[2]。 我们在Spark上设计并实现了分布式iForest，该iForest通过基于模型的并行性进行训练，并通过基于数据的并行性来预测新的数据集。 它通过以下步骤实现： 从数据集中采样数据。 为每个iTree采样数据实例并将其分组。 如该论文所述，用于构建每棵树的样本数量通常不是很大（默认值256）。 因此，我们可以构造采样对RDD，其中每个行键是树索引，行值是一组树的采样数据实例。 通过地图操作并行训练和构建每个iTree，并收集所有iTree来构建iForest模型。 使用收集的iForest模

Semi-supervised Anomaly Detection using AutoEncoders PDF全文翻译，属于缺陷检测的文档，适合于研究目标检测方面的研究者

Semi-supervised Anomaly Detection using AutoEncoders全文英文注解，适合于英文较好的研究者，看英文的文档更有味道一些

参加第一届AIops异常检测项目的数据集，KPI异常检测指的是通过算法分析KPI的时间序列数据，判断其是否出现异常行为。这里的难点主要有： 1 异常发生的频率很低。在实际的运维场景中，业务系统很少发生异常，因此可供分析的异常数据很少。 2 异常种类的多样性。因为实际的业务系统很复杂，并且会不断更新升级，所以故障的类型多种多样，从而导致了异常种类的多样性。 3 KPI的多样性。KPI有表现为周期型的，有表现为稳定型的，有表现为不稳定的，持续波动型

Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker DiscoveryUnsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

异常检测是一个重要的问题，已经在不同的研究领域和应用领域得到了很好的研究。本研究的目的有两个方面：一是对基于深度学习的异常检测方法进行了系统、全面的综述。此外，我们还回顾了这些方法在不同应用领域中的应用，并评估了它们的有效性。我们根据所采用的基本假设和方法，将最新的深度异常检测技术分为不同的类别。在每个类别中，我们概述了基本的异常检测技术及其变体，并提出了区分正常行为和异常行为的关键假设。此外，对于每一类，我们还介绍了这些技术的优点和局限性，并讨论了这些技术在实际应用领域中的计算复杂性。最后，我们概述了研究中存在的问题和在实际问题中采用深度异常检测技术所面临的挑战。

AIOps（2018AIOps）的第一场比赛 更多细节： 有关比赛的说明： : 有关数据集的描述： :

跳过ganomaly 该存储库包含以下论文的PyTorch实现：跳过GANomaly：跳过已连接并经过对抗训练的编码器-解码器异常检测 1.目录 2.安装 首先克隆存储库git clone https://github.com/samet-akcay/skip-ganomaly.git 通过conda创建虚拟环境conda create -n skipganomaly python=3.7 激活虚拟环境。 conda activate skipganomaly 安装依赖项。 pip install --user --requirement requirements.txt 3.实验 要在纸上复制CIFAR10数据集的结果，请运行以下命令： # CIFAR sh experiments/run_cifar.sh 4.培训 要列出参数，请运行以下命令： python train.py

网络入侵的异常检测 资料资讯 该数据集可以从下载 降维 数据集的PCA维数减少 无监督学习 在无人监督的设置中，训练集的班级标签不可用。 在当前问题中，为了反映实际情况，在训练过程中忽略了真实标签。 因此，无监督分类模型用于预测每个记录的真实标签。 我们训练了隔离林，基于聚类的局部离群因子（CBLOF），主成分分析（PCA）和椭圆形信封。 在现实世界中无监督的问题中，由于缺乏事实依据，企业必须验证预测结果。 但是，在此问题中，预测标签已使用真实标签进行了验证，并且以下结果表明，无监督模型预测了很多正面阳性。 半监督学习 在半监督设置中，给出了一个较大的未标记数据集和一个较小的标记数据集。 目标是在整个数据集上训练分类器，该分类器将预测未标记数据点的标记。 在当前问题中，我们创建了84％的未标记数据和16％的标记数据点。 使用自我训练的半监督学习方法，我们训练了Logistic回归和随机森林