#anomaly-detection Repositories
Insgesamt 76 Repositories
Methoden zur Bestimmung der Wahrscheinlichkeit eines Änderungszeitpunkts in einer Zeitreihe.
Anomalieerkennung auf dynamischen (zeitveränderlichen) Graphen in Echtzeit und Streaming-Art. Erkennung von Eindringlingen (DoS- und DDoS-Angriffe), Betrug, gefälschte Bewertungsanomalien.
Code für hands-on unüberwachtes Lernen mit Python (O'Reilly Media)
Real Intelligence Threat Analytics (RITA) ist ein Rahmenwerk zur Erkennung von Befehls- und Kontrollkommunikation durch Analyse des Netzwerkverkehrs.
OpenChatBI ist ein intelligentes, chatbot‑basierendes BI‑Tool, das von großen Sprachmodellen angetrieben wird und dazu entwickelt wurde, Benutzern das Abfragen, Analysieren und Visualisieren von Daten durch natürliche Sprachgespräche zu ermöglichen. Es verwendet LangGraph und LangChain, um einen Chat‑Agenten und Workflows zu erstellen, die die Umwandlung von natürlicher Sprache in SQL und Datenanalyse unterstützen.
[VLDB'22] Anomalieerkennung mit Transformatoren, Selbstkonditionierung und gegnerischem Training.
Der offizielle Code für "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Repository des Papers „A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series“.
Echtzeit-Anomalieerkennung für Zeitreihenmetriken. 11 Jahre Evolution der Anomalieerkennung in der Produktion. Multi-Algorithmus-Ensembles. Mustererkennung mittels halbüberwachtem und unüberwachtem Lernen. Korrelationsanalyse. Lernt und verbessert sich im Laufe der Zeit. Keine GPU erforderlich, kann auf einem VPS ausgeführt werden.
hihttps ist eine hochperformante Web Application Firewall mit vollständigem Quellcode, die alle Funktionen eines traditionellen WAF wie SQL-Injection, XSS, bösartige Schwachstellen-Scans, Passwort-Brute-Force, CC, DDoS usw. unterstützt, einschließlich ModSecurity-RegEx-Regeln, und zudem unüberwachtes maschinelles Lernen, um unbekannte Angriffe autonom zu bekämpfen.
Hands-On Machine Learning mit C++, veröffentlicht von Packt
[CVPR 2025] Offizielle Implementierung von "Dinomaly: Die Weniger-ist-mehr-Philosophie in der Multi-Klasse unüberwachten Anomalieerkennung". Das erste Multi-Klasse-UAD-Modell, das mit Single-Klasse-SOTAs konkurrieren kann
Dieses Repository enthält eine Leseliste von Arbeiten zur Zeitreihensegmentierung. Dieses Repository wird kontinuierlich verbessert.
Java-Bibliothek zur Analyse von Portable Executable-Dateien mit besonderem Schwerpunkt auf Malware-Analyse und Robustheit gegenüber PE-Fehlformatierungen
Rechtzeitige Erkennungen für proaktivere und effektivere Maßnahmen in Offshore-Ölquellen!
Ein robustes und flexibles Open-Source-Framework für die Analyse des Benutzer- und Entitätsverhaltens (UEBA), das für Sicherheitsanalysen verwendet wird. Mit Liebe entwickelt von Datenwissenschaftlern und Sicherheitsanalysten aus der Cybersicherheitsbranche. [BETA]
Desbordante ist ein leistungsstarker Datenprofiler, der mithilfe verschiedener Algorithmen viele unterschiedliche Muster in Daten erkennen kann. Außerdem können mit diesen Algorithmen Szenarien zur Datenbereinigung ausgeführt werden. Desbordante ist als Konsolenversion und als benutzerfreundliche Webanwendung verfügbar.
🌲 Implementierung des Robust Random Cut Forest-Algorithmus für die Anomalieerkennung in Streams