垃圾邮件并行过滤模型的设计

随着网络的日益普及,垃圾邮件问题日趋严重,各种过滤垃圾邮件的算法也应运而生。简单贝叶斯方法计算简便,但受算法假设条件的限制,查全率和正确率都难以达到更高的层次;其他几种方法计算太复杂。将计算机理论中的"流水"概念引入到垃圾邮件分类器中,建立并行过滤模型,查全率和准确率都比较令人满意。

一个基于分布式并行过滤的前置式邮件过滤模型

提出一种新的邮件过滤模型———基于分布式并行过滤的通用前置式邮件过滤模型PDPF,由此构造的邮件过滤系统,其运行不依赖于特定的邮件服务器而在网关提供过滤服务,对到达的邮件进行并行过滤处理,其分布式并行过滤矩阵通过“并行与”操作,能够加快过滤速度。在真实环境下的实验表明,在日均邮件流量高达10万封的情况下,每封邮件的处理时间不超过50m s。

基于并行Bloom过滤器组的深度数据包检测算法

针对基于软件、硬件的深度数据包检测存在处理速度慢或规则集更新困难等方面的局限性,提出一种在多核平台上基于并行Bloom过滤器组的深度数据包检测算法。算法中首先将规则集按规则的长度分组,构造一个并行Bloom过滤器组,组中每个计数式Bloom过滤器表示特定规则长度的规则集。为了减少执行过程中的冲突概率和计算量,构造了高性能的哈希函数,然后基于多核平台的并行处理能力使用并行编程实现了该算法。理论分析和实验结果表明该算法是一种时空高效的算法。

多布鲁姆过滤器检索算法研究

对于日益增长的海量数据来说,它的高效存储与检索成为一类具有挑战性的问题。布鲁姆过滤器是一种高效的存储结构,支持数据的快速检索,可用于海量数据的处理。各类分布式网络系统处理海量数据时,常常借助多布鲁姆过滤器检索算法来完成。本文概括了多布鲁姆过滤器检索算法的研究现状,总结了算法的主要应用,并给出了进一步的研究方向。

基于Spark平台的电子商务个性化信息推荐方法

互联网上数据传播量日益增加,但信息使用率却很低,消耗用户大量精力,针对这个问题,提出一种基于Spark平台的电子商务个性化信息推荐方法。Spark平台通过弹性分布式内存数据集,可将中间计算结果直接保存至内存中,建立用户喜好模型;使用评分机制计算不同个体偏好商品,形成推荐列表;引入挖掘隐含信息的矩阵分解算法,将未知参数转化为已知量,提高个性化信息推荐精准度。仿真对比实验,从用户满意度、信息熵值和运行速度三个角度,验证了所提方法可以实现优质且高效的电子商务个性化信息推荐工作。

浅析VoIP监测

VoIP监测目前应用较多的设备往往都是通过路由器、防火墙等改装而成，但是满足OC192线速需求的设备往往价格非常的高，对于整个网络进行全面的监控投入十分巨大。因此采用特殊算法和器件对网络数据进行分析的同时降低设备价格对于VoIP的全网监控是一个可行的解决办法。本文在解决实际问题的同时提出新型的算法和结构，对于目前的网络测量，网络计费都可以作为一种借鉴方法。