Quantum-AnoGAN:这是用于异常检测的混合量子经典Ano-GAN算法的实现，其测试专门针对在智能电网的网络攻击场景下测试该算法

提出一种基于聚类分析与主成分分析的方法，以解决检测异常飞行、识别未知安全隐患等问题。借助该方法可应用聚类技术对QAR数据进行分析，以检测具有独特数据模式的异常飞行，其中QAR数据是快速存取记录器的简称，是一种用于监控、记录大量飞行参数的飞行数据记录仪。与现有的方法相比，该方法无需预定义标准。

这是我3.13-3.20这一周的学习情况，学习李宏毅老师的几个深度学习视频，同时我在学习两篇论文《一种硬盘故障预测的非监督对抗学习方法》和《Lifelong Disk Failure Prediction via GAN-based Anomaly Detection》后的一个文章脉络及内容分析，也就是总结收获啦，PPT的图片档已经上传至博客中，大家可以翻看到，但是会有不少动画在PPT中帮助理解，如果需要，下载PPT就好了，如有不对的地方，请指正，共同学习进步

基于SDN的流量异常检测与预测算法，蒋韵，杨帆，基于SPE和EWMA算法，设计了一个可以应用于真实SDN网络场景的多功能流量监控算法L-EWMA.算法实现实时检测网络异常并根据异常流量场景（A

支持向量数据描述 (Support Vector Data Description, SVDD) 语言：Python 版本：V1.1 --------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 -------------------------------------------- 主要功能 1. 基于 sklearn.base 的 SVDD BaseEstimator 2. 支持单值分类和二值分类的超球体构建 3. 支持多种核函数 (linear, gaussian, polynomial, sigmoid) 4. 支持 2D 数据的决策边界可视化 --------------------------------------------- 依赖库 cvxopt matplotlib numpy scikit_learn scikit-opt (可选，仅用于参数优化)

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

网络流量在正常运行的情况下是具有一定的周期性、稳定性的，异常流量会打破这种规律使流量产生异常波动。提出了一种基于NetFlow时间序列滑动窗口检测网络异常的方法，利用时间序列异常发现算法发现网络流量的异常波动从而实现了实时高效的异常流量发现及预警。已经被检测到的网络异常会持续产生预警信息并影响后续的异常检测，为此还提出了两种平抑异常的方法。实验结果表明该方法能够有效地发现网络异常。

异常检测算法 这些算法可以直接运行：（可以在“ Vae”目录中找到数据集结构） BeatGAN：B.Zhou，S.Liu，B.Hooi，X.Cheng和J.Ye，“ Beatgan：使用对抗性生成的时间序列进行异常节律检测”，IJCAI，2019年，第4433–4439页。 Dagmm：B. Zong，Q。Song，MR Min，W。Cheng，C。Lumezanu，D。Cho和H. Chen，“用于无监督异常检测的深度自动编码高斯混合模型”，载于ICLR，2018年。 Encdec：P。Malhotra，A。Ramakrishnan，G.Anand，L.Vig，P.Agarwal和G.Shroff，“用于多传感器异常检测的基于Lstm的编码器/解码器”，arXiv预印本arXiv：1607.00148，2016年。 GANomaly：S。Akcay，A。Atapour-Abarghoue

视频中的异常检测是一个研究了十多年的问题。这一领域因其广泛的适用性而引起了研究者的兴趣。正因为如此，多年来出现了一系列广泛的方法，这些方法从基于统计的方法到基于机器学习的方法。

霍特林 地位 关于 Hotelling 实施了一个和两个样本 Hotelling T^2（T 平方）测试。 它还实现了 Hotelling Control Charts (Multivariate) 和多个 Univariate Control Charts 自由软件：MIT 许可证 文档： : 。 tests/data额外tests/data 特征 统计模块涵盖hotelling t^2（t平方）统计、f值和p值 覆盖单变量控制图和霍特林控制图的绘图模块 使用可选的dask （和distributed ）模块，可以有效地处理大型数据集 使用可选的plotly模块，提供交互式图表： 为了使其正常工作，您必须安装plotly 0.5 或更高版本。 这可以从 pypi 或通过 conda 的 plotly 通道获得： conda install plotly -c plotly 学分