这是什么？
这是一个面向微服务日志的研究级无监督异常检测框架，它将 Transformer、LSTM 和统计特征与基于图的建模和集成评分相结合，无需标注数据即可标记异常日志行为。
这是一个面向微服务日志的研究级无监督异常检测框架，它将 Transformer、LSTM 和统计特征与基于图的建模和集成评分相结合，无需标注数据即可标记异常日志行为。这是现成的工具，还是我拿来实验的研究代码库？它是一个面向研究的 Python 代码库，捆绑了多个模型（Transformer、LSTM、GAT、Autoencoder、IsolationForest、GMM）和一个极简的 Streamlit 仪表盘，而不是打磨好的一条命令就能用的产品。
它是一个面向研究的 Python 代码库，捆绑了多个模型（Transformer、LSTM、GAT、Autoencoder、IsolationForest、GMM）和一个极简的 Streamlit 仪表盘，而不是打磨好的一条命令就能用的产品。运行它需要哪类库（深度学习、可解释性、仪表盘）？由于它把 Transformer 和 LSTM 神经编码器与图注意力网络、Autoencoder、IsolationForest 和 GMM 融合在一起，加上用于可解释性的 SHAP 和用于仪表盘的 Streamlit，你需要一套 Python 深度学习技术栈，并搭配 scikit-learn 风格的库以及 SHAP/Streamlit，不过确切的安装命令并未列出。
由于它把 Transformer 和 LSTM 神经编码器与图注意力网络、Autoencoder、IsolationForest 和 GMM 融合在一起，加上用于可解释性的 SHAP 和用于仪表盘的 Streamlit，你需要一套 Python 深度学习技术栈，并搭配 scikit-learn 风格的库以及 SHAP/Streamlit，不过确切的安装命令并未列出。这是生产可用的还是更偏实验性的项目？README 明确称它为“研究级”框架，这意味着它是为实验和分析而构建的，而不是加固过的生产部署。
README 明确称它为“研究级”框架，这意味着它是为实验和分析而构建的，而不是加固过的生产部署。图注意力网络（GAT）在这里增加了什么？它对动态服务图进行建模以捕捉跨服务依赖，帮助发现由微服务交互方式引发的异常，而不仅仅是个别日志行的问题。
它对动态服务图进行建模以捕捉跨服务依赖，帮助发现由微服务交互方式引发的异常，而不仅仅是个别日志行的问题。异常到底是怎么打分的？混合集成将 Autoencoder 重构误差与 IsolationForest 和基于 GMM 的动态阈值相结合，产出一个统一的概率化异常分数。
混合集成将 Autoencoder 重构误差与 IsolationForest 和基于 GMM 的动态阈值相结合，产出一个统一的概率化异常分数。我怎么知道一条日志为什么被标记为异常？该框架在融合特征上计算 SHAP 值，并在 Transformer 分支上使用 token 级梯度显著性，来解释是哪些 token 或特征推高了异常分数。
该框架在融合特征上计算 SHAP 值，并在 Transformer 分支上使用 token 级梯度显著性，来解释是哪些 token 或特征推高了异常分数。没有真实生产日志也能测试它吗？可以，它包含一个流式模拟器，可模拟微服务日志并支持可控的异常注入，适合端到端试用整条流水线。
可以，它包含一个流式模拟器，可模拟微服务日志并支持可控的异常注入，适合端到端试用整条流水线。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