anomaly-detection

NeurIPS 2022「ADBench: Anomaly Detection Benchmark」官方实现。

分布外检测、鲁棒性与泛化资源。此仓库包含精选的论文、教程、书籍、视频、文章和开源库等

基于 Drain 算法的强大流式日志模板挖掘工具。

异常检测方法集合（IID/基于点、图和时间序列），包含用于异常检测/发现的主动学习、贝叶斯规则挖掘、多样性/解释性/可解释性描述。分析结合标签反馈与集成及基于树的检测器。包含使用 Graph Convolutional Network 的对抗攻击。

“Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)”的官方实现。

MOMENT：一系列开放的时间序列基础模型，ICML'24

Luminaire 是一个 Python 套件，提供机器学习驱动的监控时间序列数据解决方案。

以实时与流式方式对动态（随时间演进）图表进行异常检测。检测入侵（DoS 与 DDoS 攻击）、欺诈、虚假评分异常。

Python 动手学无监督学习（O'Reilly Media）一书的代码

[VLDB'22] 使用 Transformers、自我条件化与对抗性训练的异常检测。

用于处理时间序列与序列数据的资源

用于高光谱图像处理的 Python 模块

统一的多任务时间序列模型。

OpenChatBI 是一个基于大语言模型的智能对话式 BI 工具，旨在帮助用户通过自然语言对话来查询、分析和可视化数据。它使用 LangGraph 和 LangChain 来构建对话代理与工作流，支持自然语言转 SQL 以及数据分析。

Real Intelligence Threat Analytics (RITA) 是一个通过网络流量分析来检测命令与控制 (C&C) 通讯的框架。

论文“A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series”的代码库。

针对时间序列指标的实时异常检测。具备 11 年的生产环境异常检测演进经验，采用多算法集成、基于半监督与非监督式学习的模式识别，以及相关性分析。能随时间学习并持续优化。无需 GPU，可在 VPS 上运行。

基于深度学习的离群值/异常检测

关于时间序列领域的综合调查。

此仓库包含时间序列分割相关论文的阅读清单。此仓库持续更新中。

用于流式异常检测的 Robust Random Cut Forest 算法实现

针对海上油井的即时检测，实现更主动且有效的行动！

[CVPR 2025] "Dinomaly: The Less Is More Philosophy in Multi-Class Unsupervised Anomaly Detection" 官方实现。首个能与单类别 SOTA 模型竞争的多类别 UAD 模型

一个强大且灵活的开源用户与实体行为分析 (UEBA) 框架，用于安全分析。由网络安全产业的数据科学家与安全分析师精心开发。[BETA]