支持向量機(jī)（SVM）可以解決傳統(tǒng)態(tài)勢評(píng)估算法無法兼顧的“維數(shù)災(zāi)難…‘過學(xué)習(xí)”及“非線性”等難題，卻無法應(yīng)對大規(guī)模樣本的問題。為了有效應(yīng)對態(tài)勢評(píng)估中的大數(shù)據(jù)處理挑戰(zhàn)，提出了一種基于MapReduce的SVM（ MR-SVM）態(tài)勢評(píng)估算法。該算法利用MapReduce并行計(jì)算模型，同時(shí)結(jié)合SVM可并行化的特點(diǎn)，通過設(shè)計(jì)主要的map函數(shù)和reduce函數(shù)，實(shí)現(xiàn)了SVM算法的并行化和主要參數(shù)的選取。在搭建的Hadoop平臺(tái)上對改進(jìn)算法與原算法進(jìn)行了比較驗(yàn)證：對于小規(guī)模樣本，改進(jìn)算法反而“化簡為繁”，不比原算法效率高；但在大規(guī)模樣本的處理上，原算法的訓(xùn)練時(shí)間隨樣本規(guī)模呈指數(shù)型增長，而改進(jìn)算法的訓(xùn)練時(shí)間隨樣本規(guī)模并沒有特別明顯的增幅，體現(xiàn)出了較好的時(shí)間優(yōu)勢。實(shí)驗(yàn)結(jié)果表明，基于MapReduce改進(jìn)的SVM很好地彌補(bǔ)了原算法“樣本規(guī)?！钡亩贪?，更適用于大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)態(tài)勢評(píng)估。
?