基于SVM的网络故障检测研究

摘要

随着互联网的普及与规模的持续增长，数据驱动式网络故障检测方法正成为网络故障检测的主流方法，该方法利用数据挖掘、人工智能等技术通过对大量日志文件及历史数据等进行分析和处理，实现对网络故障智能发现并迅速定位。在所有数据驱动式方法中，支持向量机方法在解决小样本、非线性及高维度分类预测中效果显著。对于规模较大的数据集，作用也相当良好。因此，将支持向量机用于网络故障检测有着坚实的理论基础和良好的应用前景。
　　论文首先根据支持向量机中支持向量与非支持向量的特征，提出了相似度的概念并给出了其具体的计算步骤。依据相似度提出了一种基于相似度的快速支持向量机算法。新的算法根据相似度对训练集进行精简，并在公用数据集 cod-ma上对该快速支持向量机算法进行了验证。随后，论文将相似度的思想与支持向量机的广义KKT条件相结合，提出了一种新的、简单、有效的基于相似度的增量学习算法，并在模拟数据集上对该改进增量学习算法进行了验证。最后，在公用数据集 KDD CUP99上设计并实现了一个网络故障检测系统，该系统在对原始数据进行数值化、格式化、规范化、降维等一系列数据预处理操作后，利用文章所提出的基于相似度的快速支持向量机算法和单类支持向量算法分别对监督学习和基线学习（非监督学习）的结果进行对比分析。
　　实验表明，论文所提出的基于相似度的快速支持向量机算法和基于相似度的增量学习算法在保证足够高的准确率的情况下，提高了训练速度。在网络故障检测中，对原始数据进行预处理是完全有必要的，普通支持向量机与单类支持向量机的对比表明，监督学习的效果要好于非监督学习。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 主要工作

1.4 文章结构

2 统计学习理论与支持向量机

2.1 机器学习的相关理论

2.2 统计学习基本理论

2.3 支持向量机

2.4 本章小节

3 基于相似度的快速支持向量机算法

3.1 SVM样本点的几何特征

3.2 样本点的相似度及其性质

3.3 样本点相似度的计算方法

3.4 基于相似度的快速支持向量机算法

3.5 仿真实验与结果分析

3.6 本章小节

4 基于相似度的改进SVM增量学习算法

4.1 SVM增量学习相关知识

4.2 两种传统的SVM增量学习算法

4.3 基于相似度的改进SVM增量学习算法

4.4 仿真实验与结果分析

4.5 本章小节

5 基于SVM的网络故障检测系统

5.1 系统需求分析

5.2 系统工作原理

5.3 系统数据集预处理

5.4 实验分析

5.5 本章小节

6 总结与展望

6.1 工作总结

6.2 下一步的工作

致谢

参考文献

附录1 攻读硕士学位期间发表的学术论文