[发明专利]基于SVM的故障检测模型构建及评估方法

说明书

本发明适用于云技术领域，提供了一种基于SVM的故障模型构建及评估方法，该方法包括如下步骤:选择径向基核函数RBF构造支持向量机SVM云故障预测模型；基于给定的云样本训练集对支持向量机SVM进行训练，所述训练过程具体如下：基于支持向量机SVM将云故障预测转化为具有约束条件的二次规划；基于二次规划的解构建决策函数，所述决策函数即为超平面；基于超平面对测试样本点进行故障评估。SVM模型相对于BP模型，LVQ模型而言，可以寻找到全局最优解，能避免维数灾难，同时收敛速度较快提高，此外，本发明实施例选择径向基核函数RBF构造支持向量机SVM云故障预测模型，因而在满足精确度的同时，可以降低模型构建的复杂度，提高故障分析效率。

技术领域

本发明属于云技术领域，提供了一种基于SVM的故障检测模型构建及评估方法。

背景技术

近些年来，随着云计算技术快速发展，已经在很多领域得到广泛应用，逐渐成为目前计算机技术发展和创新应用的热点。许多大型IT企业都推出了自己云平台(如Google云、Amazon EC2)，开源云计算技术有很多发展，其中包含了Eucalyptus、OpenStack等也使得云计算技术得到很大的发展。当前，电子商务、社交网络等互联网服务早已成为人们平时工作生活中无法分割的一部分，很多应用部署在云平台依托于Saleforce CRM等云服务。

但是，云应用的复杂性、多样性和云环境的动态性使得云系统不时出现一些故障，会对人们正常的生活工作产生巨大影响，同时也会在商业方面导致严重的经济损失，高效监控同时准确检测云系统故障是云系统稳定运行的前提条件，分布式系统故障一般是由系统运行时复杂原因所导致的，如硬件故障、软件失效等，故障本身具有随机性，很难重现，如软件并发带来的死锁问题，这些故障难以在软件开发及测试阶段被发现以及及时被处理，此外由于云系统的动态性，系统维护人员也很难通过人工及时跟踪云系统的运行状态，因此有必要采用云故障检测技术在线进行云故障检测。

现有云故障检测大都通过对系统搜集的各监控参数数据进故障分析模型的构造，所采用的技术包括基于BP神经网络方法、及基于BP神经网络加以改进的学习矢量量化LVQ网络法，BP是一种多层前馈神经网络，该网络是一种按误差反向传播训练的多层网络，其基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，LVQ学习向量量化是一种用于训练竞争层的有监督学习方法的输入前向网络，其在模式识别和优化领域有着广泛的应用，而BP神经网络方法及学习矢量量化LVQ网络法存在的精准度及分析效率不高的问题。

发明内容

本发明实施例提供种云环境下基于SVM的故障检测模型构建方法及评估方法，旨在解决基于BP神经网络方法及学习矢量量化LVQ网络法存在的精准度及分析效率不高的问题。

本发明是这样实现的，一种基于SVM的故障检测模型构建及评估方法，所述方法包括如下步骤:

S1、选择径向基核函数RBF构造支持向量机SVM云故障预测模型；

S2、基于给定的云样本训练集对支持向量机SVM进行训练，所述训练过程具体如下：

基于支持向量机SVM将云故障预测转化为具有约束条件的二次规划；

基于二次规划的解构建决策函数，所述决策函数即为超平面；

S3、基于超平面对测试样本点进行故障评估。

进一步的，在步骤S1之后还包括：

S12、基于GRID网格方法计算支持向量机SVM的惩罚参数c和g在云故障预测模型达到设定阈值时的取值，所述设定阈值为云故障预测模型训练分类准确率的阈值。

进一步的，所述步骤S3包括如下步骤：

S31、输入测试样本集合，所述测试样本集合中包括有正常测试样本点和故障测试样本点；