近年来随着互联网的时代到来,数据量级呈现了爆炸式的增长,大数据的时代随之到来。由于传统框架无法很好的处理海量数据的计算,新型的计算框架应运而生,这些框架的出现为数据的并行计算提供了极大的帮助,为数据科学的各个领域奠定了基础,加快了各领域的发展。然而随着数据量的不断增大,异常数据,恶意攻击也越来越多。异常数据在很多情况下可以对系统造成极大的危害,所以异常的检测也显得越来越重要,异常检测的相关方法也同时受到了更多的人的关注。异常数据也可以理解为不符合预期的数据,需要被识别出来。因为异常检测识别的对象是高维样本特征,所以这种情况下首先考虑使用机器学习算法。在实际的应用场景中,受检测的数据可以分类为有标记数据和无标记数据。获取大量有标记数据的难度较大,一般都需要经过专家的人工标记才能获得数据对应的标记,而这个过程需要耗费大量的资源才能完成,然而获取少量有标记数据的难度较低,比较容易实现。但是传统的机器学习算法并没有很好的利用大量未标记数据,只能运用少量有标记数据,因此在实际运用中表现不佳。按照训练过程中数据的标记有无,机器学习算法分为无监督学习算法、有监督学习算法、半监督学习算法。有监督算法要求受训练的数据都具有标记,但是这种条件很难达到,无监督算法虽然不需要数据具有标记但是整体的效果表现不如有监督学习,而介于有监督和无监督的半监督算法则综合了两种学习的优点,很好的发挥两者的优势。因此本文使用了一种近年提出的半监督模型Deep SAD并结合线性判别分析（LDA）模型中的分类功能对部分未标记数据进行预处理的方法来进行异常检测。Deep SAD模型是在Deep SVVD的基础延伸的,该模型在一定的程度上可以将标记的异常数据和正常数据都进行合理的运用。本文的主要工作如下:1.将线性判别分析模型与Deep SAD模型结合,先利用线性判别分析模型中的分类功能为未标记数据生成近似标签,用生成的近似标签来指导网络训练。再使用Deep SAD模型中的目标函数来提升异常检测的效果。同时对Deep SAD模型中的重要参数进行调整,来获得该模型能够达到最好效果的参数值,并将结合了线性判别分析模型后的Deep SAD模型与其它部分已知的模型横向对比,综合测试该模型的效果。2.基于结合了线性判别分析后的Deep SAD模型的异常检测系统开发。使用结合了线性判别分析模型后的Deep SAD模型开发了基于Spring Boot框架的异常检测系统。此系统提供了人工标记数据的接口,当系统中产生大量未标记的数据时,分析人员可以使用该接口进行部分数据的人工标记,再将未标记的数据和人工标记的数据共同传入异常检测模块中进行异常检测、并将检测结果进行存档以便于后续的异常追踪。