使用LSTM-CNN模型检测数据流中的异常

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 在数据流中检测异常对于识别不寻常模式至关重要.
• 像LSTM和LSTM自动编码器这样的深度学习模型通常用于此任务.
• 评估新型深度学习架构对于推进该领域至关重要.

研究的目的:

• 对数据流中异常检测的深度学习方法进行比较分析.
• 评估LSTM,LSTM自编码器和LSTM-CNN方法的性能.
• 评估这些模型在雅虎的有效性! 网络范围S5数据集.

主要方法:

• 长短期记忆 (LSTM) 网络的比较分析.
• 评估LSTM自动编码器模型用于异常检测.
• 评估一种新的长期短期记忆-卷积神经网络 (LSTM-CNN) 方法.
• 使用雅虎!使用雅虎! 用于计算实验的Webscope S5数据集.

主要成果:

• 该LSTM-CNN方法在数据流中的异常检测中证明了成功的应用.
• 发现LSTM-CNN模型的性能与标准的LSTM和LSTM自编码器模型相提并论.
• 使用F1得分作为绩效评估的主要指标.

结论:

• LSTM-CNN模型为数据流中异常检测提供了一个可行的和有效的替代方案.
• 深度学习,特别是像LSTM-CNN这样的混合模型,为实时数据流分析提供了巨大的潜力.
• 对先进深度学习架构的进一步研究可以增强异常检测能力.