Projet de détection d'anomalies sur le réseau Tezos

Ce projet utilise l'apprentissage automatique pour détecter des anomalies dans le fonctionnement des noeuds du réseau Tezos. Le modèle est entraîné sur des données de performance collectées à partir du réseau et est capable de détecter des comportements anormaux qui pourraient indiquer des problèmes potentiels.

Arborescence du projet

Le projet est organisé comme suit:

• data/: contient les bases de données SQLite avec les données originales (tezos_metrics.db) et les nouvelles données à prédire (new_tezos_metrics.db). Les nouvelles données avec les prédictions du modèle sont également sauvegardées ici (new_data_with_predictions.csv).
• models/: contient le modèle d'apprentissage automatique sauvegardé (isolation_forest_tezos_metrics.sav).
• scripts/: contient différents sous-dossiers avec différents scripts Python:
  • collect_data: scripts pour collecter les données du réseau Tezos.
  • preprocess: contient le script data_preprocessing.py pour le prétraitement des données.
  • training: contient le script db_training.py pour l'entraînement du modèle.
  • predict: contient le script predict.py pour faire des prédictions sur de nouvelles données.
  • utils: contient des scripts auxiliaires pour des fonctions utiles communes.
• requirements.txt : Fichier contenant les dépendances Python requises pour ce projet.

Comment utiliser ce projet

1. Clonez le projet sur votre machine locale.
2. Assurez-vous que toutes les dépendances Python nécessaires sont installées (pandas, sklearn, sqlite3, etc.). "pip install -r requirements.txt"
3. Utilisez les scripts dans le dossier collect_data pour collecter des données du réseau Tezos.
4. Lancez le script data_preprocessing.py dans le dossier preprocess pour prétraiter les données. Cela crée de nouvelles tables dans votre base de données SQLite avec les données prétraitées.
5. Lancez le script db_training.py dans le dossier training pour entraîner le modèle. Cela sauvegarde le modèle entraîné dans le répertoire models/.
6. Mettez à jour le fichier new_tezos_metrics.db avec vos nouvelles données à prédire.
7. Lancez le script predict.py dans le dossier predict pour faire des prédictions sur les nouvelles données. Cela crée un nouveau fichier CSV dans le répertoire data/ avec les résultats des prédictions.