使用GAN进行异常检测——可以进行网络流量的自学习哇,哥哥,人家是半监督,无监督的话,还是要VAE,SAE。...
实验了效果,下面的还是图像的异常检测居多。
https://github.com/LeeDoYup/AnoGAN
https://github.com/tkwoo/anogan-keras
看了下,本质上是半监督学习,一开始是有分类模型的。代码如下,生产模型和判别模型:
### generator model define
def generator_model():inputs = Input((10,))fc1 = Dense(input_dim=10, units=128*7*7)(inputs)fc1 = BatchNormalization()(fc1)fc1 = LeakyReLU(0.2)(fc1)fc2 = Reshape((7, 7, 128), input_shape=(128*7*7,))(fc1)up1 = Conv2DTranspose(64, (2, 2), strides=(2, 2), padding='same')(fc2)conv1 = Conv2D(64, (3, 3), padding='same')(up1)conv1 = BatchNormalization()(conv1)conv1 = Activation('relu')(conv1)up2 = Conv2DTranspose(64, (2, 2), strides=(2, 2), padding='same')(conv1)conv2 = Conv2D(1, (5, 5), padding='same')(up2)outputs = Activation('tanh')(conv2)model = Model(inputs=[inputs], outputs=[outputs])return model### discriminator model define
def discriminator_model():inputs = Input((28, 28, 1))conv1 = Conv2D(64, (5, 5), padding='same')(inputs)conv1 = LeakyReLU(0.2)(conv1)pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)conv2 = Conv2D(128, (5, 5), padding='same')(pool1)conv2 = LeakyReLU(0.2)(conv2)pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)fc1 = Flatten()(pool2)fc1 = Dense(1)(fc1)outputs = Activation('sigmoid')(fc1)model = Model(inputs=[inputs], outputs=[outputs])return model
对于无监督GAN就搞不定了!
https://zhuanlan.zhihu.com/p/32505627
https://arxiv.org/pdf/1805.06725.pdf
https://www.ctolib.com/tkwoo-anogan-keras.html
https://github.com/trigrass2/wgan-gp-anomaly/tree/master/models
转载于:https://www.cnblogs.com/bonelee/p/9894361.html
使用GAN进行异常检测——可以进行网络流量的自学习哇,哥哥,人家是半监督,无监督的话,还是要VAE,SAE。...相关推荐
- 使用GAN 进行异常检测——anoGAN,TODO,待用于安全分析实验
先说实验成功的代码: git clone https://github.com/tkwoo/anogan-keras.git mkdir weights python main.py --mode t ...
- 异常检测 | 基于Siamese网络学习距离函数来定位视频中的异常
关于<Learning a distance function with a Siamese network to localize anomalies in videos>论文学习 这篇 ...
- 网络流量异常检测综述
摘 要 随着网络攻击的复杂化.自动化.智能化水平的不断提高,网络中不断涌现出新的攻击类型,这些未曾见过的新攻击给基于特征码的网络攻击检测和响应带来了极大挑战.网络流量异常检测通过对网络流量进行分析,可 ...
- FYD-Focus Your Distribution-关注你的分布:异常检测和定位的从粗到细的非对比性学习-FYD
论文翻译: Focus Y our Distribution: Coarse-to-Fine Non-Contrastive Learning for Anomaly Detection and Lo ...
- AIOps指标异常检测之无监督算法
随着系统规模的变大.复杂度的提高.监控覆盖的完善,监控数据量越来越大,运维人员无法从海量监控数据中发现质量问题.智能化的异常检测就是要通过AI算法,自动.实时.准确地从监控数据中发现异常,为后续的诊断 ...
- GAN异常检测论文笔记(一)《GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training》
0 Abstract: 通过使用一个联合学习高维图像空间的生成和潜伏空间的推理的生成对抗性网络,引入了这种新型的异常检测模型.在生成器网络中采用编码器-解码器-编码器子网络,使模型能够将输入图像映射为 ...
- 【论文分享】MAD-GAN :基于生成对抗网络的时间序列数据多元异常检测
2019年ICANN文章 MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversaria ...
- 杜伦大学提出GANomaly:无需负例样本实现异常检测
杜伦大学提出GANomaly:无需负例样本实现异常检测 本期推荐的论文笔记来自 PaperWeekly 社区用户 @TwistedW.在异常检测模块下,如果没有异常(负例样本)来训练模型,应该如何实现 ...
- 半监督异常检测(Anomaly Detection)的研究线
半监督异常检测(Anomaly Detection)的研究线 在假设数据集中大多数实例都是正常的前提下,半监督异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成 ...
最新文章
- python下载方法-python实现下载文件的三种方法_python
- tkinter 10 messagebox 弹窗
- 为何我通过 Calendar1.SelectedDate.DayOfWeek.ToString() 获取的“星期”总是英文的???...
- sqlserver日期dateadd及STUFF等应用
- 为什么阿里飞猪、滴滴、携程都被质疑滥用大数据杀熟?
- Spring配置项context:annotation-config/解释说明
- java选择结构二星期几_java4选择结构 二
- 《人人都是产品经理》读后小结
- androidpn环境搭建
- excel数据处理_如何用excel做仓库管理软件?这样做很好用,有权限和流程
- 分子系统学-多序列比对和系统进化分析教程
- sql语句练习 - 增删改查
- 查询计算机记录,电脑使用记录查询软件_电脑使用记录查询
- 前端如何用AI实现证件照在线换底色
- 奥克兰硕士计算机专业学费,【2018新西兰奥克兰大学硕士研究生各专业学费一览】 新西兰奥克兰大学学费...
- iOS Game Center 登陆验证实现
- 由IRR看超越方程求解
- 蓝桥ROS机器人之命令行实践
- linux开发工具列表
- 牛客网Chino with Queue【状压DP】
热门文章
- mysql服务等待应答超时_MySQL-Communications link failure异常分析及解决方法
- git checkout .的用法
- python获取文本光标_python 文件的操作以及调整光标
- 计算机考研择校分析,上海地区计算机考研择校分析
- mysql表创建在哪_mysql创建表命令是哪句
- ajax提交表单,导致浏览器卡死
- 【Java从0到架构师(3),【好文推荐
- Java面试题库,mysql远程访问权限设置
- 【Network Security!】信息的扫描与嗅探
- 简易的c语言编译器,实现简易的C语言编译器(part 8)