循环神经网络与深度学习框架对实时轻量级时间序列异常检测的影响

实时轻量级时间序列异常检测在网络安全等多个领域变得越来越关键。其能够适应不可预见的模式变化并迅速识别异常，从而实现及时响应和关键决策。尽管近年来已提出了许多此类异常检测方法，但它们主要使用单一种类的循环神经网络 (RNN)，且仅在一种深度学习框架中实现。由于缺乏全面评估，不同深度学习框架中可用各种 RNN 类型对这些异常检测方法的影响尚不清楚。任意选择一种 RNN 变体和一种深度学习框架来实现异常检测方法，可能并不反映其真实性能，甚至可能误导用户偏好某一种方法。在本文中，我们旨在研究各种 RNN 变体及其在流行深度学习框架中对实时轻量级时间序列异常检测的影响。我们审阅了多个前沿方法，并在三个被广泛认可的深度学习框架中实现了一个代表性的异常检测方法。随后对每个实现进行全面评估，以分析其在真实世界、开源时间序列数据集上的性能。评估结果为选择实时、轻量级时间序列异常检测的合适 RNN 变体和深度学习框架提供了有价值的指导。