- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于相似树的MPLS多播标记聚合算法.pdf
华 南 理 工 大 学 学 报 ( 自 然 科 学 版 )
第 37卷 第 10期 J ou rna l of S ou th C h ina U n ive rsity of Techno logy V o l. 37 N o. 10
2009年 10月 (N atu ra l S c ience Ed ition ) O ctober 2009
文章编号 : 1000565X (2009)
基于相似树的 M PL S多播标记聚合算法
1 1, 2 1
李领治 朱艳琴 杨哲
( 1. 苏州大学 计算机科学与技术学院 , 江苏 苏州 2 15006; 2. 江苏省计算机信息处理技术重点实验室 , 江苏 苏州 2 15006)
( )
摘 要 : 为了减少多协议标记交换 M PL S 网络多播标记的占用空间 ,文中提出了一种基
于相似树的求解算法 ,将与同一共用树相似的多播组进行标记聚合. 首先运用模糊聚类的
方法生成共用树 ,然后以共用树为基础进行多播树的构建和组成员的更新. 动态多播组成
( )
员的变化大多只会造成标记边缘路由器 L ER 节点类型的转换 ,不需要重新分配标记. 实
λ
验结果表明 ,此算法可以大大缩小 M PL S标记的占用 ,在 元素数量大于最大数量的 1 /2、
相似度阈值为 075 时 ,能够将大于 50%的多播组进行标记聚合 ,而平均每组多用的节点
数小于 050.
关键词 : 多播 ; 多协议标记交换 ; 标记 ; 聚合 ; 相似树
中图分类号 : TP 393 文献标识码 : A
( )
多播是新一代互联网协议 IPv6 所定义的三种 L SP,减少了多播标记的使用 ;文献 [ 6 ]中以 MM T算
通信方式之一 [ 1 ] ,它能够将一台或多台源主机发送 法为基础 ,运用组聚合技术和隧道技术来减少多播
的单一数据包传送到多台目的主机上 ,可以在媒体 树的数量与转发状态 ;文献 [ 7 ]中初步研究了根据
广播 、电视会议 、远程医疗等许多领域发挥重要作 结构算法聚合多播树的方法 ;文献 [ 8 ]中运用隧道
( ) 技术和分支节点技术来合并 M PL S源多播树和共享
用. 多协议标记交换 M PL S 技术将第 2层的快速交
换和第 3 层的路由有机结合 , 既可以加快数据包的 多播树. 上述算法都是根据多播树结构提出的聚合
( ) 算法 , 由于多播组成员是动态的 ,所以树结构也需要
转发速度 ,又可以通过显式路由标记交换路径 L SP
( )
您可能关注的文档
- 寂寞高手——中国股市内在规律研究和实战操作
- 秘密规则--股市职业炒盘手自述_(完全篇)
- 投资王道 证券分析实践 txtUMD TXT BRM 格式手机书下
- 一个美国资本家的成长:世界首富沃伦·巴菲特传
- Visual C++ 程序员指南(一).pdf
- 1-semantic deep web-automatic attribute extraction from the
- 2-Automatic Generation of Ontology from the Deep Web.pdf
- A Framework of Deep Web Crawler.pdf
- A Holistic Approach on Deep Web Schema Matching .pdf
- A Machine Learning Approach Classification of Deep Web Sourc
文档评论(0)