基于SVM的網(wǎng)絡故障檢測研究.pdf

1、隨著互聯(lián)網(wǎng)的普及與規(guī)模的持續(xù)增長，數(shù)據(jù)驅動式網(wǎng)絡故障檢測方法正成為網(wǎng)絡故障檢測的主流方法，該方法利用數(shù)據(jù)挖掘、人工智能等技術通過對大量日志文件及歷史數(shù)據(jù)等進行分析和處理，實現(xiàn)對網(wǎng)絡故障智能發(fā)現(xiàn)并迅速定位。在所有數(shù)據(jù)驅動式方法中，支持向量機方法在解決小樣本、非線性及高維度分類預測中效果顯著。對于規(guī)模較大的數(shù)據(jù)集，作用也相當良好。因此，將支持向量機用于網(wǎng)絡故障檢測有著堅實的理論基礎和良好的應用前景。
　　論文首先根據(jù)支持向量機中支持向

2、量與非支持向量的特征，提出了相似度的概念并給出了其具體的計算步驟。依據(jù)相似度提出了一種基于相似度的快速支持向量機算法。新的算法根據(jù)相似度對訓練集進行精簡，并在公用數(shù)據(jù)集 cod-ma上對該快速支持向量機算法進行了驗證。隨后，論文將相似度的思想與支持向量機的廣義KKT條件相結合，提出了一種新的、簡單、有效的基于相似度的增量學習算法，并在模擬數(shù)據(jù)集上對該改進增量學習算法進行了驗證。最后，在公用數(shù)據(jù)集 KDD CUP99上設計并實現(xiàn)了一個網(wǎng)絡

3、故障檢測系統(tǒng)，該系統(tǒng)在對原始數(shù)據(jù)進行數(shù)值化、格式化、規(guī)范化、降維等一系列數(shù)據(jù)預處理操作后，利用文章所提出的基于相似度的快速支持向量機算法和單類支持向量算法分別對監(jiān)督學習和基線學習（非監(jiān)督學習）的結果進行對比分析。
　　實驗表明，論文所提出的基于相似度的快速支持向量機算法和基于相似度的增量學習算法在保證足夠高的準確率的情況下，提高了訓練速度。在網(wǎng)絡故障檢測中，對原始數(shù)據(jù)進行預處理是完全有必要的，普通支持向量機與單類支持向量機的對比表