gpartin/WaveGuardClient

gpartin/WaveGuardClient

от gpartin
WaveGuard — MCP сервер для обнаружения аномалий на основе волновой физики. Отправляйте любые данные (метрики, транзакции, логи) — получайте оценку аномальности и объяснения. Не требует обучения, ра...

PyPI v3.3.0 GPU-powered API MCP Smithery

WaveGuard Python SDK

Anomaly detection powered by wave physics. Not machine learning.
One API call. Fully stateless. Works on any data type.

Benchmarks • Quickstart • Use Cases • Examples • MCP / Claude • API Reference


What is WaveGuard?

WaveGuard is a general-purpose anomaly detection API. Send it any data — server metrics, financial transactions, log files, sensor readings, time series — and get back anomaly scores, confidence levels, and explanations of which features triggered the alert.

No training pipelines. No model management. No state. One API call.

Your data  →  WaveGuard API (GPU)  →  Anomaly scores + explanations

Under the hood, it uses GPU-accelerated wave physics instead of machine learning. You don't need to know or care about the physics — it's all server-side.

Modal dashboard vs API endpoints

If you look at Modal, you will see deployed functions (for example fastapi_app, gpu_scan, gpu_fingerprint). Those are compute/runtime units, not the HTTP route list.

To see all live API endpoints, use:

Инструменты были проиндексированы:
waveguard_health

Проверяет состояние API WaveGuard, доступность GPU, версию и статус движка. Аутентификация не требуется. Используйте это для проверки работы сервиса перед сканированием.

Параметры

Без параметров.

waveguard_scan

Обнаруживает аномалии в данных с помощью симуляции волновой физики с ускорением GPU. Полностью без сохранения состояния: отправляет обучающие данные (нормальные примеры) и тестовые данные (образцы для проверки) за ОДИН вызов. Возвращает для каждого образца оценки аномальности, уровни уверенности и основные признаки, объясняющие, ПОЧЕМУ была отмечена каждая аномалия. Работает с любыми типами данных: JSON-объекты, числа, текст, временные ряды, массивы. Не требует отдельного этапа обучения. Пример: чтобы проверить, аномальны ли метрики сервера, отправьте 3-5 нормальных показаний в качестве обучающих данных, а подозрительные показания — в качестве тестовых.

Параметры
  • encoder_typeenum

    Data encoder type. Omit to auto-detect from data shape. Auto-detection works well for most data.

  • sensitivitynumber

    Anomaly threshold multiplier (default: 2.0). Lower = more sensitive (flags more anomalies). Higher = less sensitive. Range: 0.5 to 5.0.

  • testunknown[]обязательный

    1+ data points to check for anomalies. Same type/shape as training data. Each sample is scored independently.

  • trainingunknown[]обязательный

    2+ examples of NORMAL/expected data. These define what 'normal' looks like. All samples should be the same type and shape. More samples = better baseline (4-10 is ideal).

waveguard_scan_timeseries

Обнаруживает аномалии во временных рядах с помощью симуляции волновой физики на GPU. Отправьте плоский массив числовых значений и размер окна. Инструмент автоматически создает перекрывающиеся окна, использует первые N как обучающую выборку (нормальный базис) и оценивает остальные окна как тестовые. Возвращает оценки аномалий, уверенность и p-значения для каждого окна. Пример: отправьте 100 показаний загрузки CPU с window_size=10. Первые 5 окон становятся обучающими, остальные тестируются.

Параметры
  • datanumber[]обязательный

    Flat array of numeric time-series values in chronological order.

  • sensitivitynumber

    Anomaly threshold multiplier (default: 2.0). Lower = more sensitive. Range: 0.5 to 5.0.

  • test_windowsinteger

    Number of trailing windows to test (default: auto, uses last ~40%% of windows).

  • window_sizeinteger

    Number of data points per window (default: 10). Smaller windows = finer resolution.

Похожие MCP-сервера

gpartin/CryptoGuardClient

gpartin/CryptoGuardClient

MCP-сервер CryptoGuard — крипто-риск-сканер с детерминированным вердиктом (PROCEED/CAUTION/BLOCK). Обнаруживает аномалии токенов за 27 дней до краха, используя волновой анализ WaveGuard. Интегрируе...

Python1
Jungle-Grid/mcp-server

Jungle-Grid/mcp-server

Jungle Grid MCP позволяет агентам оценивать, отправлять, отслеживать и отменять задачи Jungle Grid, а также получать их артефакты. Подходит для асинхронных AI-нагрузок, батч-обработки, обучения и с...

TypeScript4
alexpota/cloudscope-mcp

alexpota/cloudscope-mcp

MCP сервер CloudScope помогает AI анализировать облачные счета Azure и GCP: по запросу вы получаете готовый отчёт о затратах, аномалиях, неиспользуемых ресурсах и рекомендациях по оптимизации. Идеа...

TypeScript1
dcostenco/prism-mcp

dcostenco/prism-mcp

MCP-сервер Prism Coder даёт AI-агентам долговременную память между сессиями и локальные модели для офлайн-маршрутизации. Разработчики получают граф знаний, верификацию поведения и координацию — всё...

TypeScript157
last9/last9-mcp-server

last9/last9-mcp-server

официальный

Last9 MCP-сервер подключает AI-агентов (Claude, Cursor, Windsurf) к вашим производственным данным observability — логам, метрикам, трейсам, алертам. Без установки бинарников, через OAuth. Полезен S...

Go60
gjenkins20/unofficial-fortimonitor-mcp-server

gjenkins20/unofficial-fortimonitor-mcp-server

MCP-сервер для управления FortiMonitor через ИИ: 241 инструмент для мониторинга серверов, инцидентов, метрик, групп и уведомлений. Упрощает работу администраторов, автоматизируя рутинные операции.

Python3
© Каталог MCP, 2026. Все права защищены.
Проект не аффилирован с Anthropic и любыми упомянутыми продуктами.
Все названия и торговые марки принадлежат их владельцам.
Контакты для связи: hi@mcp-katalog.ru

Лука Никитин