我们毕业啦.docxVIP

我们毕业啦 其实是答辩的标题地方 基于IBFBP的ipv6路由查找算法 高鹰 论文摘要 研究背景 研究内容 研究结果 论文总结 CONTANTS 论文摘要 研究背景 研究内容 研究结果 论文总结 、 总结目前IPv6路由查找算法优缺点，提出了一种新的IPv6路由查找算法-IBFBP。 该算法结合IBF与BP神经网络，将IPv6不同长度网络ID作为IBF的输入，以关键字的特征标志创建标志库LB进行学习，提前判断是否发生误判。 将位数组用counter计数数组来代替，支持可删除操作，进而进行BP神经网络学习过程。 理论分析和实验结果表明，该算法比已有神经网络路由查找算法降低了误判率和搜索成本，提高了查找效率。 论文绪论 研究背景 研究内容 研究结果 论文总结 IPV4地址消耗殆尽，提出IPV6，地址数量巨大 用户网络要求提高，路由条目大量增加 挺高硬件性能困难，成本高，算法成为关键 对BF算法进行改进并结合BP神经网络 研究背景 研究内容 研究结果 论文总结 论文绪论 标准Bloom Filter算法 研究背景 研究内容 研究结果 论文总结 论文绪论 标准Bloom Filter算法 1、存在误判，当插入x、y、z这三个元素之后，再来查询w，会发现w不在集合之中，而如果w经过三个hash函数计算得出的结果所得索引处的位全是1，那么Bloom Filter就会告诉你，w在集合之中，实际上这里是误报，w并不在集合之中。 2、标准的Bloom Filter算法，只支持插入和查找。当表达的集合是静态集合时，标准的Bloom Filter可以正常工作，但是如果要表达的集合是变动的，标准Bloom Filter的弊端就显现出来了，无法从Bloom Filter集合中删除一个元素。因为该元素对应的位会牵动到其他的元素。 研究背景 研究内容 研究结果 论文总结 论文绪论 改进的Bloom Filte算法 研究背景 研究内容 研究结果 论文总结 论文绪论 建立过滤器 { 定义过滤器filter 声明（ 集合A，hash函数h ，整数 m，counter V） 返回 过滤器filter 初始化 counter V= 0 Foreach 集合A中元素 a Foreach hash 哈希函数 h counter V[hash h(a)]=1+1 结束 foreach 结束 foreach 返回 过滤器 filter } 建立标志库LB { 声明标志库LB （集合B，hash函数，LB） 返回LB Foreach 集合B中元素b Foreach hash 哈希函数h 分配每一个min[h(b)]于LB， 所有b产生相同的min[h(b)]放在LB相同的区间 结束foreach 结束foreach 返回 LB } 新集合比对阶段 产生测试Test { 声明(测试值T，filter，LB，hash h,counter V) 返回值Yes or Misdiagnosis or mismatching Foreach hash h If counter V[h(T)]=0 returns mismatching If counter V[h(T)]!=0 after finding B If min[h(T)]!=B returns Misdiagnosis If min[h(T)]=B returns Yes 结束foreach } 以哈希函数关键字的特征建立一个标志库且以关键字的最小值作为标志来区分 在插入元素时给对应的k个counter的值分别加1，删除元素时给对应的k个counter的值分别减1，从而实现对元素的删除 研究背景 研究内容 研究结果 论文总结 论文绪论 IBFBP算法 研究背景 研究内容 研究结果 论文总结 论文绪论 输入：输入IP地址获取路由条目 输出：路由下一跳信息 步骤： ①输入IP地址获取路由条目； ②提取网络前缀进行学习； ③获取路由条目给Route； ④获取路由前缀长度给Prefix length； ⑤获取路由前缀给Prefix； ⑥路由下一跳索引给Next hop； ⑦进行IBF算法counter计数数组与标志库匹配判断是否发生误判，如果发生误判则返回步骤①重新输入，如果没有发生误判作为BP神经网络的输入执行下一步； ⑧BP神经网络网络学习； ⑨输出下一跳地址。 研究背景 研究内容 研究结果 论文总结 论文绪论 表1 三种算法平均误判率比较 选用6组哈希函数。 使用2048位的哈希空间 实验执行采用100个不属于关键字集合的不同对象。 计算公式如下： （通过过滤的次数／100）×100% 研究背景 研究内容 研究结果 论文总结 论文绪论 三种算法在不同的前缀下