基于MapReduce的SVM态势评估算法

　　支持向量机（SVM）可以解决传统态势评估算法无法兼顾的“维数灾难…‘过学习”及“非线性”等难题，却无法应对大规模样本的问题。为了有效应对态势评估中的大数据处理挑战，提出了一种基于MapReduce的SVM（ MR-SVM）态势评估算法。该算法利用MapReduce并行计算模型，同时结合SVM可并行化的特点，通过设计主要的map函数和reduce函数，实现了SVM算法的并行化和主要参数的选取。在搭建的Hadoop平台上对改进算法与原算法进行了比较验证：对于小规模样本，改进算法反而“化简为繁”，不比原算法效率高；但在大规模样本的处理上，原算法的训练时间随样本规模呈指数型增长，而改进算法的训练时间随样本规模并没有特别明显的增幅，体现出了较好的时间优势。实验结果表明，基于MapReduce改进的SVM很好地弥补了原算法“样本规模”的短板，更适用于大数据环境下的网络态势评估。