Numenta Anomaly Benchmark数据集

Numenta Anomaly Benchmark (NAB) 数据集是一个广泛使用的用于评估异常检测算法性能的数据集。它由 Numenta 公司创建，其中包含了一系列不同领域的异常数据集，如网络流量、机器温度、气象数据等。这些数据集都是实际生产环境中收集的数据，并且已经标记为正常和异常数据。这使得研究人员可以使用这些数据集来测试他们的异常检测算法，以便比较不同算法之间的性能。NAB 数据集可以免费下载和使用，适用于学术研究和商业应用。

相关问题

Anomaly-Transformer数据集

Anomaly-Transformer是一个用于时间序列异常检测的模型，它基于自注意力机制和序列关联性计算来捕捉时间序列数据中的异常模式。根据提供的引用，该模型的代码已经在GitHub上开源，你可以通过该链接获取更多关于代码的详细信息。

Anomaly-Transformer模型在运行时需要使用数据集进行训练和测试。然而，在提供的引用中，并没有提到Anomaly-Transformer模型所使用的具体数据集的名称或来源。因此，无法确定它所使用的数据集是什么。

如果你想进一步了解Anomaly-Transformer模型所使用的数据集，请参考相关文献或参考资料，并查找有关该模型所使用数据集的详细信息。

异常检测数据集anomaly

### 异常检测数据集概述

异常检测领域广泛应用于多个行业，包括但不限于网络安全、医疗健康监测以及工业设备维护。为了支持机器学习模型的研发与测试，多种公开可用的数据集提供了丰富的资源。

#### 通用型异常检测数据集

- **KDD Cup 1999 数据库**：该数据库由美国国防分析研究所赞助创建，主要用于入侵检测系统的评估工作。它包含了大量模拟攻击行为产生的流量记录，可用于构建和验证针对网络活动中的异常情况的探测机制[^1]。

- **MNIST 和 CIFAR-10 图像集合**：尽管最初设计用于手写数字识别或物体分类任务，但这两个图像数据集同样适用于研究者们探索如何利用视觉信息来进行异常样本辨识的研究项目中。特别是当考虑将某些类别视为“正常”，其余视作潜在威胁时尤为有用[^3]。

#### 领域专用型异常检测数据集

- **NASA Shuttle Dataset**: 这是一个航天飞机发射过程中收集到的时间序列传感器读数资料集；其中包含了一些已知的操作失误案例，非常适合用来练习时间序列内的异常事件捕捉技巧[^4]。

- **Swat Water Treatment Plant Data Set**: 来自新加坡南洋理工大学智慧城市中心发布的水务处理厂监控系统所获取的信息流——此数据集中存在人为注入的各种故障情景，有助于检验不同类型的物理过程控制系统下的异常状况预警能力[^2]。

对于物联网(IoT)环境而言，还有专门面向智能家居、车联网等应用场景的大规模异构多源感知数据可供选用，例如WADI(Water Distribution System Anomaly Injection Database)，其特色在于能够反映真实世界里复杂的相互作用关系及其引发的小概率极端现象。

import pandas as pd
from sklearn.datasets import fetch_openml

# 加载 KDDCup99 数据集的一个子集
kdd_data = fetch_openml('kddcup', version=1)

# 显示前几条记录查看数据结构
print(kdd_data.data.head())