基于滑动窗口的资源可控流量测量算法

针对高速链路中流量测量缺乏可扩展性的问题,提出一种在线挖掘频繁流的算法。通过采用"滑动窗口"机制,构造流抽样函数,自适应地设置抽样门限的方法,实现流大小的无偏估计。基于实际的互联网数据进行仿真实验,结果表明,该算法在保证准确性的同时,具有自适应性和资源可控性。

基于CBF的分布式元组空间叉积算法

针对分布式报文分类算法内存消耗大、可扩展性差的问题,提出分布式元组空间叉积算法。该算法采用独立域搜索引擎与树状多级聚合网络的分类结构,在聚合节点使用计数型布鲁姆过滤器(CBF)加速搜索,利用剪枝技术降低CBF内存消耗。仿真结果表明,对于5×104条规模的9域规则库,聚合网络总内存消耗被控制在60Kb内,该算法的查找速度达到100Mp/s,且具有良好的可扩展性。

可扩展报文分类算法研究与评测

针对报文分类算法的可扩展性,深入分析了典型可扩展报文分类算法的时间、空间复杂度;基于Class-Bench工具集开发出可扩展报文分类算法评测系统,利用该系统对典型算法在不同模拟场景下进行评测,并对各算法的性能差异和适用条件进行了系统分析。最后,对今后可扩展报文分类算法的发展趋势作出了展望。

报文分类算法可扩展性标准评测系统

针对报文分类算法没有标准可扩展性评测工具的问题,基于计算机体系结构测试领域的benchmark方法开发出基于benchmark的报文分类算法可扩展性评测系统。该系统利用benchmark参数文件引导生成规则库,允许用户利用高层输入参数控制规则库和Trace的产生,并能够实现对被测算法可扩展性能指标的实时监测。最后利用该评测系统对典型报文分类算法在不同模拟场景下进行仿真评测。仿真结果表明,该系统能够准确评测算法的可扩展性,为研究报文分类算法的可扩展性提供了标准评测工具。

一种基于域冲突空间的分布式报文分类算法

随着网络传输速率的不断提高,分布式报文分类算法以其快速高效的特点越来越受到业界的关注,但却普遍存在内存消耗过高的问题。针对这一问题提出了基于域冲突空间的多标签树算法(MLT-FCS),将各域规则划分为不同的冲突区,并为冲突区和区内元素分配各自的标签,然后在此基础上设计出两级查询机制以减少待查规则的数目,充分利用硬件的并行处理和流水线操作特性,提出了第二级查询的多标签树算法。分析及仿真表明,MLT-FCS在实现高速分类(OC-192)的同时减少了存储开销,并为规则库规模的扩展和规则维数的扩展提供了较好的支持。