基于流标签的IPv6包分类算法研究

基于流标签的IPv6包分类算法研究

论文摘要

由于Internet的快速发展,IPv4地址稀缺的问题越来越严重。IPv6由此被引入以解决此问题。到目前为止,IPv6已经在大规则模的测试之中,在欧洲、亚洲和北美也得到一些初期的部署。但是,由于协议本身的改变,特别是地址长度的极大加长,而IPv4和IPv6之间不是平滑的升级,这就给IP包分类算法带来一些不可避免的挑战。比如:传统包分类算法对查找关键字的长度都是比较敏感的。如果直接把现有的IPv4包分类算法升级到IPv6的版本,性能可能严重的下降。这就意味着包分类算法应该跟随IPv6的发展而更新换代。同时,IPv6包分类算法目前还处于起步阶段,各自算法之间的比较需要有一个客观的测试用例,也就是IPv6的规则集作评价标准,但是因为IPv6商业化进程缓慢而导致规则集缺乏。本论文的工作主要分两部分。首先,结合IPv4与IPv6之间的联系,从IPv4中的分类器基准库(ClassBench)借鉴经验,提出IPv6中的ClassBenchV6。其次,考虑到IPv6包分类算法可能由于RFC3697中对流定义的改变而作出调整,而从IPv4中的五元组,变成IPv6中的三元组,这样势必对IPv6包分类算法造成影响。因此,本论文根据RFC3697的规定,提出一种基于流标签、源IP地址、目的IP地址的IPv6包分类算法。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 前言
  • 1.1 课题背景
  • 1.2 研究内容及创新点
  • 1.3 国内外相关研究现状
  • 1.4 论文章节安排
  • 第二章 ClassBenchV4简介
  • 2.1 国内外关于IPv4分类器特征的研究
  • 2.2 IPv4规则集中与地址相关特征的研究
  • 2.2.1 地址前缀长度的分布
  • 2.2.2 地址值分布特性
  • 2.2.3 总结
  • 第三章 IPv4的包分类算法简介
  • 3.1 多维包分类算法的定义
  • 3.2 IPv4下的多维包分类算法
  • 3.2.1. 穷举遍历算法
  • 3.2.2. 决策树算法
  • 3.2.3. 基于分解思想的算法
  • 3.2.4. 基于元组空间的分类算法
  • 第四章 ClassBenchV6的研究
  • 4.1 总体思想
  • 4.2 IPv4与IPv6规则集的关系
  • 4.3 地址前缀结构特征
  • 4.3.1 IPv6地址结构
  • 4.3.2 IPv4和IPv6地址分配策略
  • 4.3.3 IPv6规则集地址前缀的特征
  • 4.4 评估与实验
  • 第五章 基于流标签的IPv6包分类算法研究
  • 5.1 IPv6流标签介绍
  • 5.2 基于流标签的算法提出
  • 5.3 算法的实现
  • 5.3.1. 独立规则集的定义
  • 5.3.2. 独立规则集组(Gi)的数据结构
  • 5.3.3. 标记和重排序
  • 5.3.4. FL决策树
  • 5.3.5. 查找过程
  • 5.3.6. 更新
  • 5.4 算法性能分析
  • 5.4.1. 性能评价指标
  • 5.4.2. 时间复杂度分析
  • 5.4.3. 空间复杂度分析
  • 5.4.4. 结果比较
  • 第六章 总结与展望
  • 参考文献
  • 致谢
  • 攻读学位期间发表的学术论文目录
  • 相关论文文献

    • [1].大数据挖掘中的数据分类算法技术研究[J]. 电子技术与软件工程 2015(14)
    • [2].基于粒度空间的最小生成树分类算法[J]. 南京大学学报(自然科学) 2017(05)
    • [3].一种心律失常分类算法[J]. 电子世界 2020(04)
    • [4].数据挖掘中数据分类算法的比较分析[J]. 吉林师范大学学报(自然科学版) 2008(04)
    • [5].数据挖掘分类算法研究综述[J]. 中国高新技术企业 2008(24)
    • [6].包分类算法研究综述[J]. 计算机工程 2015(12)
    • [7].传统图像分类与深度学习分类算法比较研究[J]. 荆楚理工学院学报 2020(02)
    • [8].Titanic生存问题常见分类算法对比分析[J]. 电子世界 2017(22)
    • [9].基于贝叶斯理论的分类算法研究[J]. 计算机光盘软件与应用 2014(16)
    • [10].数据挖掘中分类算法综述[J]. 重庆师范大学学报(自然科学版) 2011(04)
    • [11].基于多层感知器神经网络的智能分类算法[J]. 通信电源技术 2020(05)
    • [12].百科实例的分类算法探究[J]. 科技创新与应用 2015(13)
    • [13].一种快速的五元一维包分类算法[J]. 电脑知识与技术 2009(36)
    • [14].因素空间理论下基点分类算法研究[J]. 智能系统学报 2020(03)
    • [15].低代价的数据流分类算法[J]. 计算机系统应用 2016(12)
    • [16].云环境下的信息分类算法研究[J]. 太原师范学院学报(自然科学版) 2015(04)
    • [17].基于距离的粒计算分类算法[J]. 信阳师范学院学报(自然科学版) 2015(02)
    • [18].快速流分类算法的研究[J]. 数字通信 2010(01)
    • [19].基于基因表达式编程的代价敏感分类算法[J]. 吉林大学学报(信息科学版) 2009(04)
    • [20].集成学习之随机森林分类算法的研究与应用[J]. 电脑知识与技术 2020(21)
    • [21].基于组合分类算法的源代码注释质量评估方法[J]. 计算机应用 2016(12)
    • [22].社交地点分类算法设计与实现[J]. 现代计算机(专业版) 2017(20)
    • [23].关于数据挖掘中的数据分类算法的综述[J]. 电子制作 2014(13)
    • [24].稀有类分类算法的研究[J]. 电脑开发与应用 2010(09)
    • [25].基于K近邻分类算法的敏感信息过滤方法研究[J]. 科学技术创新 2020(28)
    • [26].大数据处理中分类算法的数值比较[J]. 数学的实践与认识 2019(13)
    • [27].一种改进的并行K_近邻网络舆情分类算法研究[J]. 微电子学与计算机 2015(06)
    • [28].基于分布式数据流的大数据分类算法[J]. 饮食科学 2019(04)
    • [29].基于聚类核的半监督情感分类算法研究[J]. 计算机技术与发展 2016(12)
    • [30].基于多传感器数据融合的目标分类算法[J]. 航天电子对抗 2013(04)

    标签:;  ;  ;  

    基于流标签的IPv6包分类算法研究
    下载Doc文档

    猜你喜欢