在我可以在网上看到的所有示例中，人们都使用了带标签的数据集。然而，我一直试图构建一个模型来对未标记的数据集执行异常检测（无监督异常检测）。
问题陈述：将异常点与正常点分开。我们提供的功能有 mem_usage、mem_total、cpu_usage_idle、cpu_usage_iowait 等
使用异常检测，我计划标记数据集是否异常。进一步的步骤是根据数据所属的服务器聚合每一行，并确定服务器是否健康、有问题。更进一步的是预测服务器何时可能面临类似问题，从而提出缓解问题的方法。
任何类型的资源（论文、代码博客、视频）都非常受欢迎。我刚刚开始，也愿意尝试新的东西。
你有关于这些指标的序列数据吗？例如，它们是否会随着时间而演变，并且您想在这些序列中定位异常？
如果是这样，您可以查看此处描述的工具：
它们都是无监督的方法，因此您不需要无异常数据进行训练。
如果您不处理时间序列，也可以采取许多无监督的方法。这篇论文提供了一个很好的关于这个主题的调查
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0152173
在本系列的这一部分中，我们将以无监督（或半监督）方式训练自动编码器神经网络（在 Keras 中实现），用于信用卡交易数据中的异常检测。训练后的模型将在预先标记和匿名的数据集上进行评估。
您可以参考“基于隔离森林的异常检测”。我认为这会有所帮助。参考文献：Liu et al.,2008。这是一种无监督的异常检测。