本文详细描述了基于Netflow的网络流量异常分析的方法以及原理

使用XGBoost解决机器学习二分类问题，数据集描述的是不同蘑菇的相关特征，如大小、颜色等多维特征，目的是诊断每一种蘑菇是有毒。任务是对蘑菇特征数据进行学习，训练XGBoost二分类模型，然后利用训练好的模型诊断和预测未知的蘑菇样本。程序可扩展应用到故障诊断领域小样本数据的二分类问题或异常检测问题。

异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

使用 MATLAB 对传感器数据进行基于自动编码器的异常检测 该演示重点介绍了如何使用基于自动编码器的半监督机器学习技术来检测传感器数据中的异常（三缸泵的输出压力）。该演示还展示了如何通过自动代码生成将经过训练的自动编码器部署在嵌入式系统上。自动编码器的优点是可以训练它们用代表正常操作的数据检测异常，即您不需要来自故障的数据。 # 自动编码器基础 自编码器基于神经网络，网络由编码器和解码器两部分组成。编码器将 N 维输入（例如一帧传感器数据）压缩为 x 维代码（其中 x < N），其中包含输入中携带的大部分信息，但数据较少。因此，编码器有点类似于主成

此代码用于测试 Aiger & Talbot 2010 文章“用于无监督表面缺陷检测的仅相位变换”中介绍的算法。

2020-Fuzzy information entropy-based adaptive approach for hybrid feature outlier detection-Matlab 代码 模糊粗糙集理论中基于模糊关系的模糊信息熵是一种重要的不确定性度量。然而，模糊信息熵用于混合特征离群点检测的研究尚未见报道。在此基础上，利用具有模糊相似关系的模糊近似空间，构造了一种基于模糊信息熵的混合特征离群点检测方法。首先，采用自适应模糊标准差半径和混合模糊相似度构造模糊近似空间，并在模糊信息熵的基础上定义相对模糊熵;然后，构造了两种度量来描述对象的离群度。最后，集成基于模糊熵的离群因子实现离群检测，设计了相关的基于模糊信息熵的离群检测算法(FIEOD)。将FIEOD算法与公共数据上的主要离群点检测算法进行了比较。实验结果表明，该方法具有较好的有效性和适应性。

基于深度学习的异常检测与定位(MATLABR2019a) 图片异常检测与定位，MATLABR2019a实现基于深度学习的异常检测与定位。

CAN总线脱敏数据集，包含韩国HCLR实验室所用的Car Hacking和Road两个数据集，包含的攻击模式有Fuzzy/Ddos/Spoofing等。可直接拿来做异常检测。基于该数据集的论文有Song, Hyun Min, Jiyoung Woo, and Huy Kang Kim. "In-vehicle network intrusion detection using deep convolutional neural network." Vehicular Communications 21 (2020): 100198.等，Road数据集和Car-hacking类似，但攻击种类更丰富

将bert应用于CAN总线的异常检测，具体的实现为LogBert，一种基于Bert的日志检测算法。资源中包含logbert的论文原文和源码，以及修改后适配了CAN数据的异常检测算法，准确率和召回率可达99%以上，所用数据集为韩国HCLR发布的Car-hacking数据集，包含spoofing/ddos/fuzzying三种攻击形式。本次实现只包含对CAN Id的检测。 可以学习到：BERT的实现，日志检测的流程，以及针对CAN数据集的处理，完整的训练调参过程。

2021异常检测论文ppt