1.一种基于SVM的故障模型构建及评估方法，其特征在于，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。

2.如权利要求1所述的基于SVM的故障模型构建及评估方法，其特征在于，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。

3.如权利要求1所述的基于SVM的故障模型及构建评估方法，其特征在于，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；

S32、对测试样本集合中的测试样本点进行第一阶段故障评估：由于故障测试样本点和正常测试样本点分别位于超平面的两侧，分别称为超平面故障侧和超平面正常侧，对于超平面故障侧而言，测试样本点距超平面的距离值与故障概率值成正比；在超平面正常侧而言，测试样本点距超平面的距离值与故障概率值成反比，基于超平面对测试样本点进行分类，将超平面正常侧的测试样本点划至正常样本集合，将超平面故障侧的测试样本点划至故障样本集合。

4.如权利要求3所述的基于SVM的故障模型构建及评估方法，其特征在于，所述步骤S3还包括如下步骤：对正常样本集合内的样本点进行第二阶段故障评估：

第二阶段故障评估采用如下公式计算正常样本集合内样本点的故障发生概率：Pi为样本i的故障概率，vi为样本点i的决策值，V是决策值的集合，决策值是基于决策函数获取的， 其中f1，f2分别是指二次规划求解得到的最小值及拉格日乘子的和；

当Pi小于等于概率阈值θ时，则样本i重新划入故障样本集合，否则，样本i保留在正常样本集合。

5.如权利要求3或4所述的基于SVM的故障模型构建及评估方法，其特征在于，当云系统故障发生后，计算新故障样本点与故障样本库中的旧故障样本点间的相似度，基于相似度值判定是否将新故障样本点更新至故障样本库，所述相似度计算公式具体如下：S＝ai·bj/(|ai|×|bi|)      (4)其中，ai为新故障样本点向量，bi为旧故障样本点向量，S为相似度，当两者的相似度值低于设定阈值时，认为新故障样本在故障样本库中不存在，将新故障样本加入到故障样本库以增加其样本空间；否则，认为该新故障样本点已经在故障样本库中存在，不需要更新到故障样本库。