OmniAnomaly智能异常检测项目完整使用指南

OmniAnomaly是一款基于深度学习的智能异常检测工具，专门针对时间序列数据设计。该项目通过变分自编码器（VAE）和随机循环神经网络等技术，实现了对工业传感器数据的自动异常识别，为设备故障预测和系统监控提供强大的AI支持。## 项目架构解析### 核心目录结构```OmniAnomaly/├── ServerMachineDataset/# 服务器机器数据集

姬为元Harmony

928人浏览 · 2026-01-04 07:05:03

姬为元Harmony · 2026-01-04 07:05:03 发布

OmniAnomaly智能异常检测项目完整使用指南

【免费下载链接】OmniAnomaly 项目地址: https://gitcode.com/gh_mirrors/om/OmniAnomaly

项目概述

OmniAnomaly是一款基于深度学习的智能异常检测工具，专门针对时间序列数据设计。该项目通过变分自编码器（VAE）和随机循环神经网络等技术，实现了对工业传感器数据的自动异常识别，为设备故障预测和系统监控提供强大的AI支持。

项目架构解析

核心目录结构

OmniAnomaly/
├── ServerMachineDataset/          # 服务器机器数据集
│   ├── train/                     # 训练数据
│   ├── test/                      # 测试数据
│   ├── test_label/                # 测试标签
│   └── interpretation_label/      # 解释标签
├── omni_anomaly/                  # 核心源代码
│   ├── model.py                   # 模型定义
│   ├── training.py                # 训练模块
│   ├── prediction.py              # 预测模块
│   ├── eval_methods.py            # 评估方法
│   └── utils.py                   # 工具函数
├── images/                        # 训练结果可视化
├── data_preprocess.py             # 数据预处理脚本
├── main.py                        # 项目主入口
├── requirements.txt               # 依赖包列表
└── README.md                      # 项目说明文档

核心模块功能

model.py：定义OmniAnomaly核心模型架构
training.py：实现模型训练流程和优化策略
prediction.py：提供异常检测预测功能
eval_methods.py：包含多种评估指标计算方法

环境配置与安装

系统要求

Python 3.6+
PyTorch 1.0+
NumPy, Pandas等数据处理库

安装步骤

克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/om/OmniAnomaly

安装依赖包：

pip install -r requirements.txt

数据准备与预处理

数据集说明

项目使用ServerMachineDataset数据集，包含多个服务器机器的时序数据：

训练数据：正常状态下的传感器读数
测试数据：包含正常和异常状态的数据
标签文件：标注异常时间点的位置

数据预处理

使用data_preprocess.py脚本进行数据标准化和特征工程：

python data_preprocess.py --input_dir ServerMachineDataset/ --output_dir processed_data/

模型训练与评估

启动训练

通过main.py文件启动模型训练：

python main.py --dataset ServerMachineDataset --model OmniAnomaly --train

训练过程监控

上图展示了MSL数据集的训练损失变化趋势。在前1000-1500步出现波动后，损失值持续下降并最终在-180附近收敛，表明模型在该数据集上具有良好的拟合能力。

模型评估

使用内置评估方法计算异常检测性能：

python main.py --dataset ServerMachineDataset --model OmniAnomaly --eval

SMAP数据集的训练损失曲线显示更稳定的下降趋势，从-30逐步收敛到-60，反映了模型在大规模传感器数据上的优秀表现。

核心配置参数

模型超参数配置

项目支持多种可配置参数：

隐藏层维度：控制模型容量
学习率：影响训练稳定性
批次大小：平衡内存使用和训练效率
训练轮数：确保充分收敛

实战应用示例

单机异常检测

针对特定服务器的异常检测：

from omni_anomaly import OmniAnomaly

model = OmniAnomaly()
model.load_data('ServerMachineDataset/train/machine-1-1.txt')
anomaly_scores = model.detect_anomalies()

批量处理

同时对多台服务器进行监控：

import glob

machine_files = glob.glob('ServerMachineDataset/train/*.txt')
for file in machine_files:
    model.load_data(file)
    results = model.predict()