SVM―SMO算法分析及在运维中应用.docVIP

SVM―SMO算法分析及在运维中应用 　　摘 要： 支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法，由于其出色的性能，已成为当前机器学习界的研究热点之一。本文实现了基于SVM的SMO算法的分析，并使用径向基高斯核函数对数据进行维度映射处理，最后结合系统运维中产生的仿真数据进行试验，实现了对该领域的应用研究。 　　关键词： SVM；SMO；高斯核函数；系统运维应用 　　Abstract：Support Vector Machine is a new machine learning method based on statistical learning theory due to its excellent performance which has become one of the research hotspots in the discipline of machine learning nowadays. This paper analyzes the SMO algorithm based on SVM and uses the Gaussian RBF kernel function to deal with the data transformed in different dimension. Based on the above combining with the simulation data produced in the system operation the paper designs and conducts the experiment therefore completes the research of its application in this field. 　　Key words： SVM；SMO；Gaussian kernel function；application in system operation 　　引言 　　?S着科技信息化的高速发展，特别是互联网的普及，信息服务已经深入到社会的各个领域，如今人们的衣、食、住、行都已离不开信息系统的服务；而各种各样的信息服务都离不开其底层系统的支持，因此，保障信息系统的稳定性已成为系统运维的重要事件。对于系统的稳定性而言，除了自身硬件和软件的协同配合外，日常运行的数据指标分析，也是保障系统持续稳定长期运行的关键因素。 　　传统的系统运维，主要依靠人工的定期巡检及突发事件的应急响应机制，在绝大部分情况下可以满足设计指定的运维功能需求，但成本开销较大，而且对于系统历史运行产生的历史数据，也并未形成良好的回溯机制。一种观念认为，人工智能在运维领域的应用发展已成为必然趋势[1]。而一些已有的机器学习方法在该领域的研究进展，也多为采用K-近邻算法（KNN）对运维数据处理后的时间结果进行分类，不仅计算和空间复杂度高，其普适性也欠佳、又不好。本文采用了另一种机器学习的方法，探讨和分析了支持向量机和已经获得广泛使用的序列最小优化算法的原理，并结合使用径向基核函数实现了对于非线性分类的优化[2-3]；同时，通过仿真样本数据进行了模拟实验[4]，结果证实了这一算法在系统运维领域中应用的可行性。 　　1 基于SVM的SMO算法分析及实现 　　1.1 SVM模型分析 　　支持向量机（Support Vector Machine SVM）是一种二分类模型，其基本模型是定义在特征空间上的间隔最大的线性分类器。对于具有N个维度的线性可分（linearly separable）的数据，存在N-1维的对象来将这些数据进行分隔，这种N-1维的对象就是分隔超平面（separating hyperplane）；单个的数据点到分隔超平面的距离，可称为间隔（margin）；而与分隔超平面距离最近的那些点就是支持向量（support vector）。支持向量机学习的基本指导思想就是求解能够正确划分训练集并且集合间隔最大的分离超平面。对训练数据集找到几何间隔最大的超平面，意味着以充分大的确信度对训练集进行分类。也就是说，不仅将二类情况以正负实例点分开，而且对最难以区分的点（距离分隔超平面间隔最小的点）也有足够大的确信度将其辨认分开。这样的分隔超平面将会对位置的新实例具有较好的分类预测能力。 　　其中，常数C用于控制“最大化间隔”和“保障大部分点的函数间隔小于1.0”这2个目标的权重，可称之为松弛变量。通过调节该参数的值，可以得到不同的结果。 　　1.2 SMO算法分析 　　序列最小优化（Sequential Minimal Optimization， SMO）是一种公认流行的用于训练SVM的算法，其本质是将一个优化问题分解为多个小优化问