网站大量收购闲置独家精品文档,联系QQ:2885784924

包分类算法研究幻灯片.ppt

  1. 1、本文档共57页,可阅读全部内容。
  2. 2、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。
  3. 3、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
  4. 4、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)。
查看更多
多决策树(HyperCuts)算法 主要思想 – 对Hicuts算法的改进。HyperCuts通过增加一个参数,使决策树中间结点可以同时基于多维进行分割 – Hicuts形成的决策树叶子结点上重复的规则较多,HyperCuts通过把一些通用规则(比如通配规则,前缀较短的规则)从分类规则库中独立出来,存放在根结点中。 优点 – 最小化决策树的高度,同样也限制叶结点上规则最大数目 缺点: – 内部结点信息更多,需要位数也多,这可能增加一个内部结点访问内存的次数。 – 支持增量更新,支持以中等速度进行随机更新,最坏情况下,需要重构决策树. 多决策树(HyperCuts)算法 包分类算法: 穷举分类算法 基于Trie分割算法 几何区域分割算法 元组空间分割算法 维度分解算法 元组空间分割算法 主要思想 – 提取分类规则在各个维度上的特征量,根据这些特征量将分类规则分成多个元组 - 查找时,将待分类的数据包依次或并发的在这些元组内进行查找 典型算法 – 基本元组空间算法 – 剪枝元组空间算法 基本元组空间分割算法 主要思想 – 过滤规则数据库中含有的不同前缀和范围的规则数量很多,但是不同的前缀长度的数量往往是很小.因此,各种不同前缀长度的交叉组合的数量也是很小 – 基于这种现象,定义一个不同域长度的组合为一个元组,所有元组的集合称为元组空间。由于一个元组相应于每个域的比特位的情况是已知的,可以将这些比特连接(concatenation)起来组成一个Hash表的索引值,通过该索引值找到与该元组对应的过滤规则集合 优点 -平均查找时间和更新时间较短 缺点 -由于采用哈希查找,从而导致查找和更新时间不确定 基本元组空间分割算法 说明: SA:前缀长度 DA:前缀长度 SP:嵌套层数 DP:嵌套层数 PR:确定值为1,否则为0 剪枝元组空间算法 修剪的元组空间查找算法(PrunedTupleSpaceSearch),通过在个别字段上执行查找以得到一个候选元组子集,缩小穷尽查找的范围 可用任何字段或它们的组合。在源地址和目的地址上修剪,能够得到候选元组个数和修剪步数之间的良好的平衡。 包分类算法: 穷举分类算法 基于Trie分割算法 几何区域分割算法 元组空间分割算法 维度分解算法 维度分解算法 主要思想 – 将多维的分类匹配问题分解成多个较简单一维匹配的问题 – 对关键字的匹配在各个维度被分别执行 典型算法 – 并行位向量(Bit Vector,BV)算法 – Crossproducting算法 – 递归流分类(Recursive Flow Classification,RFC)算法 并行位向量(BV)算法 算法思想 – 根据前缀匹配规则的特点,为每一维构建一棵Trie树,并在Trie树结构中为每一结点指定一个位图,对于n条规则,位图的位数为n – 当分类规则与Trie中某结点对应的前缀相匹配时,结点对应的位图置“1”,否则置“0” – 查找时,各维查找独立进行。对包头的每一维在相应的Trie结构中进行最长前缀匹配,读出对应的位图,然后对所有的位图做相“与”操作。得到的位向量中,所有“1”位对应之规则均为匹配规则,而最高一个“1”位对应之规则具有最高优先级,为最佳匹配。 并行位向量(BV)算法举例 并行位向量(BV)算法举例 优点 -各个域的匹配过程可以并行处理,大大提高了速度 缺点 -每次匹配过程都要读取d个位向量相与(d是规则域数),由于每个位向量的长度是N(N是规则个数),导致并行BV算法需要多次访问内存 -不适合要求规则动态快速更新的场合 Crossproducting算法 算法思想 – 单域的唯一字段值个数远远小于规则数目 – 首先构造d个唯一字段值集合,每个集合对应一个域。 – 接着,为每个集合构造独立的数据结构,使各字段能够独立查找 – 构造一个乘积(Cross-Product)表,将所有可能合并结果的最佳匹配填于此表,把中间结果的合并过程转化为在该表中的一次哈希探测。 特点 – CrossProducting算法可并行实现,因此具有高吞吐率。然而,其内存需求过大,为指数级。对于d维N条规则集,乘积表的规模为O(Nd)。 Crossproducting算法 递归流分类(RFC)算法 主要思想 – 对一个包分类,可被视为把s位的包头关键字映射成T位的类编号(classID),即把2S个不同的包头关键字映射到2T条不同的规则。(其中T=logN,Ts,N为规则数目) – 如果映射一步完成,需要很大的内存空间 – RFC的基本思想是将一次映射转变为多阶段映射,其结果是将一个较大的集合映射成若干个较小的集合,达到减小内存需求的目的 – 每一阶

您可能关注的文档

文档评论(0)

带头大哥 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档