首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--一般性问题论文--理论、方法论文--算法理论论文

基于GPU的高性能包分类技术的研究与实现

摘要第5-6页
Abstract第6页
第1章 绪论第13-16页
    1.1 研究背景及意义第13页
    1.2 数据包分类概述第13-15页
        1.2.1 传统数据包分类问题第13-14页
        1.2.2 OpenFlow流表查询问题第14-15页
    1.3 本文的组织结构第15-16页
第2章 包分类技术国内外研究现状第16-27页
    2.1 基于通用CPU平台的解决方案第16-19页
        2.1.1 基于树形结构的多维规则匹配算法第16-17页
        2.1.2 RFC算法第17-18页
        2.1.3 基于布鲁姆过滤器的包分类算法第18页
        2.1.4 元组空间算法第18-19页
    2.2 基于硬件的解决方案第19-21页
        2.2.1 基于FPGA的解决方案第19-20页
        2.2.2 基于TCAM的解决方案第20-21页
    2.3 基于GPU的解决方案第21-23页
    2.4 OpenFlow中的包分类方案第23-25页
        2.4.1 多核CPU的解决方案第23-24页
        2.4.2 GFlow第24-25页
        2.4.3 Bloom Search第25页
    2.5 本章小结第25-27页
第3章 GPU加速HiCuts算法第27-38页
    3.1 背景知识第27-31页
        3.1.1 HiCuts算法第27-28页
        3.1.2 Netmap第28-29页
        3.1.3 CUDA第29-31页
        3.1.4 ClassBench第31页
    3.2 在GPU上执行HiCuts第31-33页
    3.3 平台部署第33-35页
    3.4 实验评估第35-37页
        3.4.1 数据集第35页
        3.4.2 CPU和GPU执行HiCuts的性能对比第35-36页
        3.4.3 不同的CUDA配置下的吞吐率第36-37页
        3.4.4 存储空间的使用量第37页
    3.5 本章小结第37-38页
第4章 比特位图合并算法第38-49页
    4.1 GPU的硬件特点及优化第38-40页
        4.1.1 全局存储器的合并访存第38-39页
        4.1.2 常量存储器第39页
        4.1.3 简化线程逻辑第39页
        4.1.4 多流优化第39-40页
    4.2 算法思想第40-46页
        4.2.1 CPU预处理操作第40-44页
        4.2.2 GPU执行包分类操作第44-45页
        4.2.3 GPU线程并行处理策略第45-46页
    4.3 实验验证第46-48页
        4.3.1 预处理时间第46-47页
        4.3.2 与HiCuts的性能对比第47-48页
    4.4 本章小结第48-49页
第5章 基于比特划分树的包分类算法第49-56页
    5.1 比特划分树第49-50页
    5.2 流表查询操作第50页
    5.3 更新操作第50-52页
        5.3.1 插入规则第50-51页
        5.3.2 删除规则第51-52页
    5.4 在GPU上实现BSTree第52-53页
    5.5 实验验证第53-54页
        5.5.1 查询性能第53-54页
        5.5.2 更新性能第54页
    5.6 本章小结第54-56页
结论第56-58页
参考文献第58-62页
致谢第62-63页
附录A 发表论文和参加科研情况说明第63页

论文共63页,点击 下载论文
上一篇:大数据下重复数据删除的关键技术研究
下一篇:油浸式电力变压器热点温升计算软件开发与应用