SignalForge AI

用于异常检测和事件审查的离线遥测智能分析。

## 适用场景 用于解释遥测问题、审查异常，以及展示 AI 式逻辑如何辅助运维决策。 ## 本地运行 执行 `npm install` 然后 `npm run dev`，或者在无需构建步骤时直接打开静态页面。 ## 现有项目说明 # SignalForge SignalForge 是一个用于技术遥测的离线异常检测实验室。它可以生成逼真的时间序列数据，使用稳健的统计模型进行分析，将异常分组归类为事件，解释可能的根本原因，并导出调查报告，全程无需任何后端或云服务。  ## 核心价值 现代系统会产生源源不断的指标流：延迟、收入、GPU 利用率、电力需求、错误率、吞吐量等等。SignalForge 为团队提供了一个专注的界面，帮助他们了解某个信号是否健康、发生了什么变化，以及哪些时刻需要进一步调查。 ## 功能特性 - 具备多种运维场景的模拟遥测生成器。 - 支持导入自定义时间序列数据的 CSV 文件。 - 使用中位数绝对偏差和自适应基线进行稳健的异常检测。 - 季节性基线融合、平滑处理、置信区间和预测投影。 - 事件分组，包含严重程度、持续时间、影响评分和可能原因。 - 带有异常标记和悬停检查功能的交互式画布图表。 - 流式模拟器，可像接收实时数据一样重放信号。 - 支持将报告导出为 JSON 和 CSV 格式。 - 使用本地存储保存工作区。 - 无需构建步骤，无外部依赖，无需后端。 ## 项目结构 ``` signalforge-ai/ index.html src/ app.js styles.css package.json README.md ``` ## 本地运行 ``` npm start ``` 打开： ``` http://localhost:5173 ``` 你也可以直接在浏览器中打开 `index.html`。 ## CSV 格式 粘贴或上传包含一个或两个数值列的 CSV 文件： ``` timestamp,value 2026-05-20 09:00,120 2026-05-20 09:05,132 2026-05-20 09:10,175 ``` 如果省略了时间戳，SignalForge 会自动创建一个顺序时间轴。 ## 分析模型 SignalForge 使用本地统计流水线： 1. 对信号进行归一化和清洗。 2. 使用指数平滑法估算趋势。 3. 从重复窗口中构建季节性基线。 4. 融合平滑基线和季节性基线。 5. 使用中位数绝对偏差对残差进行评分。 6. 根据自适应灵敏度阈值标记异常。 7. 将相邻的异常合并为事件。 8. 根据近期的趋势和季节性预测下一个时间跨度。 该处理过程非常快、透明，并且完全可在浏览器中进行检查。 ## 作者 Alfredo Oliva

标签：DInvoke, 多模态安全, 异常检测, 数据可视化, 时间序列分析, 暗色界面, 根因分析, 自定义脚本, 运维监控, 遥测数据分析