时间序列是一类重要的时间数据对象，可以很容易地从科学和金融应用中获得，并且时间序列的异常检测已成为当前的热门研究课题。 这项调查旨在提供有关异常检测研究的结构化和全面的概述。 在本文中，我们讨论了异常的定义，并根据每种技术采用的基本方法将现有技术分为不同的类别。 对于每个类别，我们都会确定该类别中该技术的优缺点。 然后，我们简要介绍一下最近的代表性方法。 此外，我们还指出了有关多元时间序列异常的一些关键问题。 最后，讨论了有关异常检测的一些建议，并总结了未来的研究趋势，有望对时间序列和其他相关领域的研究者有所帮助。

无监督异常检测库 可用算法： 神经网络 神经网络 LOF（以scikit-learn软件包提供） COF INFLO 环形 LOCI 阿罗西 克洛夫 微博 数码相机 CMGOS HBOS 前列腺癌 CMGOS 一类SVM（可在scikit-learn软件包中获得） @作者Iskandar Sitdikov

MSᴛʀᴇᴀᴍ 实施 。 Siddharth Bhatia，Arjit Jain，潘丽，Ritesh Kumar，Bryan Hooi。 网络会议（以前称为WWW），2021年。 MSᴛʀᴇᴀᴍ从恒定时间和内存中的多方面数据流中检测组异常。 我们为每个记录输出一个异常分数。 MSᴛʀᴇᴀᴍ建立在之上，可在多方面设置中工作，例如事件日志数据，多属性图形等。 演示版 运行bash run.sh KDD来编译代码并在KDD数据集上运行它。 运行bash run.sh DOS来编译代码并在DOS数据集上运行它。 运行bash run.sh UNSW来编译代码并在UNSW数据集上运行它。 MSᴛʀᴇᴀᴍ 将目录更改为MSᴛʀᴇᴀᴍ文件夹cd mstream 运行make来编译代码并创建二进制文件 运行./mstream -n numericalfile -c categoricalfil

AIOPS异常检测 介绍 辅助运维人员进行异常检测，检测数据类型为日志数据和指标数据，内嵌多种异常检测方法，对于使用者来说，可以帮助快速理解和回顾当前的异常检测方法，并容易地重用现有的方法，也可进行进一步的定制或改进，这有助于避免耗时但重复的实验工作。 KPI异常检测 安装 git clone https://github.com/OS-ABC/AIOPS-Anomaly-Detection.git cd AIOPS-Anomaly-Detection/kpi pip install -r requirements.txt 依存关系 environment.yml文件是用conda管理依赖： conda env create -f environment.yml 笔记 需要TensorFlow> = 2.4。 跑步 KPI格式 KPI数据必须以以下格式存储在csv文件中： timest

模糊集matlab代码支持测量数据说明： 用于组异常检测的一类分类器 概要 论文实验：支持度量数据描述，一种用于组异常检测的一类分类器。 引文： @INPROCEEDINGS{FuzzSim, author={Guevara, J. 和 Hirata, R. 和 Canu, S.}, booktitle={模糊集比较手册 - 理论、算法和应用}, title={使用距离的模糊集相似性-基于模糊集的内核}，年份={2015} } 先决条件 SVM-KM 来自（包含） CVX：来自 MATLAB 2013a 用于实验 R 表示图 代码示例 运行 Matlab 文件 main.m。 这将在 /output 文件夹中生成 *.mat 。 或者，您可以使用 linux 中的 screen 程序，如下所示： screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(1,10,300)" screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(2,10,300)"

时间序列异常检测 使用正态分布检测时间序列数据中的异常值的异常检测概念的证明。 这依赖于具有正态分布的数据，并使用概率来估计离群值。 用于统计分析的算法为和。

2021异常检测论文ppt

idw算法matlab代码基于正则化子空间方法和协同表示的高光谱影像异常检测 这是用于高光谱异常检测的 matlab 代码（LSAD-CR-IDW 和 LSUNRSORAD 算法） 有关该项目的更多信息，请参阅我们的论文： 【共同第一作者】 先决条件： matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]. 遥感, 2019, 11(13): 1578. [共同第一作者] [2]侯苏增福，李炜，Lianru高，张冰，马Pengge和君临太阳。 (2020) [口头] [3]侯苏增福，李炜，陶然，Pengge马和石蔚华。 [J]. 中国科学信息科学。 2020。 [4] 刘军，侯增福，李伟，冉涛，达尼洛·奥兰多，李洪斌。 [J]. IEEE 神经网络和学习系统汇刊，doi：10.1109/TNNLS.2021.3071026。 [第二作者] 我的个人网站： 1.Github网站： 2.CSDN中文博客： 接触： 电子邮件：

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