Что это?
Это исследовательский фреймворк обнаружения аномалий без учителя для логов микросервисов, который сочетает Transformer, LSTM и статистические признаки с моделированием на графах и ансамблевой оценкой, отмечая необычное поведение логов без размеченных данных.
Это исследовательский фреймворк обнаружения аномалий без учителя для логов микросервисов, который сочетает Transformer, LSTM и статистические признаки с моделированием на графах и ансамблевой оценкой, отмечая необычное поведение логов без размеченных данных.Это готовый инструмент или исследовательская кодовая база для экспериментов?Это исследовательская Python-кодовая база с несколькими моделями (Transformer, LSTM, GAT, Autoencoder, IsolationForest, GMM) и минимальным Streamlit-дашбордом, а не отполированный продукт в одну команду.
Это исследовательская Python-кодовая база с несколькими моделями (Transformer, LSTM, GAT, Autoencoder, IsolationForest, GMM) и минимальным Streamlit-дашбордом, а не отполированный продукт в одну команду.Какие библиотеки нужны для запуска (глубокое обучение, объяснимость, дашборд)?Поскольку он объединяет нейросетевые энкодеры Transformer и LSTM с Graph Attention Network, Autoencoder, IsolationForest и GMM, плюс SHAP для объяснимости и Streamlit для дашборда, понадобится стек глубокого обучения на Python вместе с библиотеками в духе scikit-learn и SHAP/Streamlit, хотя точные команды установки не приведены.
Поскольку он объединяет нейросетевые энкодеры Transformer и LSTM с Graph Attention Network, Autoencoder, IsolationForest и GMM, плюс SHAP для объяснимости и Streamlit для дашборда, понадобится стек глубокого обучения на Python вместе с библиотеками в духе scikit-learn и SHAP/Streamlit, хотя точные команды установки не приведены.Он готов к продакшену или скорее экспериментальный проект?В README он прямо назван фреймворком «research-grade», то есть созданным для экспериментов и анализа, а не для укреплённого продакшен-развёртывания.
В README он прямо назван фреймворком «research-grade», то есть созданным для экспериментов и анализа, а не для укреплённого продакшен-развёртывания.Что добавляет Graph Attention Network (GAT)?Она моделирует динамический граф сервисов, чтобы улавливать межсервисные зависимости и помогать находить аномалии, возникающие из взаимодействия микросервисов, а не только из отдельных строк логов.
Она моделирует динамический граф сервисов, чтобы улавливать межсервисные зависимости и помогать находить аномалии, возникающие из взаимодействия микросервисов, а не только из отдельных строк логов.Как именно оцениваются аномалии?Гибридный ансамбль сочетает ошибку реконструкции Autoencoder с IsolationForest и динамическим порогом на основе GMM, выдавая единый вероятностный балл аномалии.
Гибридный ансамбль сочетает ошибку реконструкции Autoencoder с IsolationForest и динамическим порогом на основе GMM, выдавая единый вероятностный балл аномалии.Как понять, почему лог помечен как аномальный?Фреймворк считает значения SHAP на сплавленных признаках и использует градиентную значимость на уровне токенов в ветви Transformer, чтобы объяснить, какие токены или признаки сформировали балл аномалии.
Фреймворк считает значения SHAP на сплавленных признаках и использует градиентную значимость на уровне токенов в ветви Transformer, чтобы объяснить, какие токены или признаки сформировали балл аномалии.Можно проверить его без реальных продакшен-логов?Да, в комплекте есть потоковый симулятор, который эмулирует логи микросервисов с управляемой инъекцией аномалий, — удобно пробовать пайплайн от начала до конца.
Да, в комплекте есть потоковый симулятор, который эмулирует логи микросервисов с управляемой инъекцией аномалий, — удобно пробовать пайплайн от начала до конца.What are similar projects?DeepLearning, pyod, wandb, visdom, RWKV-LM, Time-Series-Library, DMI, TensorFlow-Examples
DeepLearning, pyod, wandb, visdom, RWKV-LM, Time-Series-Library, DMI, TensorFlow-ExamplesWhich topics is it in?explainable-ai, unsupervised-learning, anomaly-detection, lstm, graph-neural-networks, streamlit, logging, microservices, ci, transformer, data-science, observability
explainable-ai, unsupervised-learning, anomaly-detection, lstm, graph-neural-networks, streamlit, logging, microservices, ci, transformer, data-science, observability