一种适合于网络处理器的并行多维分类算法AM-Trie

针对当前高速网络应用对分组分类算法的要求以及网络处理器体系结构的特点,提出了一种高速多维分组分类算法--AM-Trie算法(asymmetrical multi-bit trie,非对称多杈Trie树).该算法具有搜索速度快,并行性、可扩展性良好的特点,特别适合于在网络处理器上实现.同时,给出了一种空间最优的启发式分类字段分段算法,并从理论上证明其在确定AM-Trie树层数的情况下使得存储空间最小.最后,基于Intel IXP2400网络处理器设计并实现了该算法.性能实测表明,该算法性能良好并具有很好的可     

支持快速增量更新的包分类算法

动态数据包分类是目前新兴网络服务的基础,但现有包分类算法的更新性能不能令人满意。基于递归空间分解和解释器方法,设计和实现了一个支持快速增量更新的两阶段多维包分类算法TICS,利用局部数据结构重建替换方法允许规则集增量更新,并通过适当的内存管理允许查找和更新的并行同步进行。实验表明,算法的更新速度比目前更新最快的BRPS算法至少提升了一个数量级,且内存消耗少,具有良好的并行扩放性。     

高性能无冲突分组查找分类算法的研究

随着因特网的迅猛发展,信息安全、网络安全已经成为人们日益关注的焦点。本文提出了一种面向网络服务监控网关的基于用户的无冲突分组的报文分类算法。该算法是一种基于无冲突哈希和分组查找的多维查找算法,是在无冲突散列查找算法、Lakshman和Stiliadis提出的二维分类算法和iptables分类架构的基础上提出的,但该算法的平均空间性能和时间性能均优于无冲突散列查找算法和iptables分类算法。     

基于IXP1200的快速报文分类算法的设计与实现

通过对现有报文分类算法的分析和性能比较,并结合分类规则所具有的特性提出了一种新的基于IXP1200网络处理器的多维报文分类算法,称为PCBNP(packet classification based on network processor),并达到了报文的线速转发.算法除了通过减少分类的规则数和分类的域宽来加快分类的速度外,还采用重定向排序索引、位向量表示匹配规则等技术来加快分类的速度,特别是利用了规则的动态分布规律来确定查找报文字段的顺序,通过先查找“分布最均匀的字段”来达到在所有的字段被查找之前提前找到报文匹配的过滤规则的目的.算法具有高速、多维和可扩展的特性,与现有的算法比较,该算法在综合性能上优于已有的报文分类算法.     

基于分组模型的引力搜索智能大数据聚类方法

提出一种基于分组的引力搜索算法实现数据聚簇.与标准引力搜索不同,分组引力搜索设计一种特定的解编码策略,即分组编码,可将数据聚簇的相关结构映射为解的一部分;对于特定编码,新的引力搜索机制在位置和速度更新策略上设计适合分组编码的更新规则,使分组引力搜索可类似于传统引力搜索进行迭代寻优.在多种经典测试数据集下对算法性能进行评估,其结果表明,与同为智能群体算法的标准引力搜索算法、智能蜂群算法、粒子群算法和萤火虫算法相比,该算法的数据分类效率更高.     

基于IXPl200的快速报文分类算法的设计与实现

通过对现有报文分类算法的分析和性能比较，并结合分类规则所具有的特性提出了一种新的基于IXP1200网络处理器的多维报文分类算法，称为PCBNP(packet classification based on network processor)，并达到了报文的线速转发．算法除了通过减少分类的规则数和分类的域宽来加快分类的速度外，还采用重定向排序索引、位向量表示匹配规则等技术来加快分类的速度，特别是利用了规则的动态分布规律来确定查找报文字段的顺序，通过先查找“分布最均匀的字段”来达到在所有的字段被查找之前提前找到报文匹配的过滤规则的目的．算法具有高速、多维和可扩展的特性，与现有的算法比较，该算法在综合性能上优于已有的报文分类算法．     

基于Patricia树的快速多维分组分类算法

通过分类规则矩阵的分析，构造适于硬件实现的Patricia分类树，从而实现了基于Patricia树的快速多维分组分类算法PBT。该算法具有较好的灵活性和可扩展性，在存储空间、查找时间上也具有较强的优越性。     

一种基于IXP2400的多维包分类引擎设计

包分类在基于策略的路由、Qos和防火墙等网络应用中至关重要,在网络中提供这些区分服务的关键机制是数据包分类功能。网络处理器是一种优化处理网络分组数据的可编程集成电路,其高并行性和可编程特点适合用来实现包分类等计算密集型任务。论文根据BV包分类算法的并行特点,提出了一种基于IXP2400的包分类引擎机制,为高速网络环境下实现网络数据的线速处理提供了借鉴价值。     

基于网络处理器的多维IP分类算法

IP分类算法是提高网络设备性能的关键,无冲突规则集则是正确进行IP报文分类的前提和保证。网络处理器IntelIXP1200具有强大的可编程能力和并行分组处理能力。本文在IXP1200处理器平台上设计实现了一种无冲突的多维IP分类算法,用于保证当规则数量增加时,网络设备的数据分组转发仍能够保持正确和高速。     

基于维度分解的多核并行网包分类算法

为了实现高速网包分类,本文提出一种多核并行的包分类算法。该算法基于维度分解和位向量（Bit Vector, BV）的思想,将规则集分解为多个维度,在对网包进行分类时,采用包内并行方案,将多个维度的结果进行多核并行合并,缩短单个包的处理时间,提升系统吞吐能力,并且能保证输出顺序与包输入顺序一致。实验结果表明,并行算法在Cavium OCTEON CN6645多核网络处理器平台上能达到每秒92700条规则的预处理速度和5.37 Mpps的吞吐性能,当网包大于等于256 Byte时,能实现10 Gbps的线速处理,性能高于同等条件下的HiCut算法和PCIU算法。     

改进布谷鸟搜索SVM在财务风险评估中的应用

针对一种新型智能进化算法--布谷鸟搜索算法提出了基于多群体并行搜索和自适应步长的改进方法。将改进后的方法引入支持向量机参数优化中,提出了基于改进后布谷鸟搜索算法优化支持向量机模型参数的方法并将其应用于上市公司财务风险评估中,有效提高了财务风险模型的分类性能。仿真结果发现：改进的布谷鸟搜索算法用于优化支持向量机参数不仅有效提高了上市公司季度财务数据分类预测精度,而且相较改进之前的布谷鸟搜索算法、遗传算法和粒子群算法具有更快的收敛速度和稳定性。     

一种改进的基于大数据集的混合聚类算法

针对k-means算法过度依赖初始聚类中心、收敛速度慢等局限性及其在处理海量数据时存在的内存不足问题,提出一种新的针对大数据集的混合聚类算法super-k-means,将改进的基于超网络的高维数据聚类算法与k-means相结合,并经过MapReduce并行化后部署在Hadoop集群上运行。实验表明,该算法不仅在收敛性以及聚类精度两方面得到优化,其加速比和扩展性也有了大幅度的改善。     

Efficient strategies for parallel mining class association rules

Mining class association rules (CARs) is an essential, but time-intensive task in Associative Classification (AC). A number of algorithms have been proposed to speed up the mining process. However, sequential algorithms are not efficient for mining CARs in large datasets while existing parallel algorithms require communication and collaboration among computing nodes which introduces the high cost of synchronization. This paper addresses these drawbacks by proposing three efficient approaches for mining CARs in large datasets relying on parallel computing. To date, this is the first study which tries to implement an algorithm for parallel mining CARs on a computer with the multi-core processor architecture. The proposed parallel algorithm is theoretically proven to be faster than existing parallel algorithms. The experimental results also show that our proposed parallel algorithm outperforms a recent sequential algorithm in mining time.     

可重构路由交换平台中的构件分类检索方法

针对可重构路由交换平台构件库中构件检索效率不高的现状,提出一种基于刻面的软硬件构件分类方法。基于该方法设计误差反向传播神经网络构件检索算法,分析表明该算法具有并行性强、效率高、速度快的特点,适合规模大、构成复杂的构件库检索问题。仿真结果证明,在构件数量较多的情况下,该算法性能优于传统检索算法。     

基于RFC算法的快速多维数据包分类算法

数据包分类技术应用于许多网络服务,其性能基本决定了服务的质量。RFC算法是具有代表性的数据包分类算法,分类速度快,但由于存储开销巨大,增加了算法实现的存储消耗,加大了成本。该文在RFC算法的基础上提出了一种利用Hash技术减少存储开销且保持相对快速的数据包分类算法。     

遥感图像波谱角并行分类算法

针对海量遥感数据处理提出了一种遥感图像波谱角并行分类算法.该算法是基于单机波谱角算法.针对其处理遥感图像数据速度慢、效果差、内存不足等缺点,提出了在集群环境下遥感图像波谱角并行分类算法的同步、互斥和负载均衡等策略,以及在多台设备上并行处理的方法.通过对算法的时间复杂度、加速比进行分析,并在集群环境下进行实例验证,将分类图像与知名软件ENVI进行对比,验证了算法的优越性和有效性.     

一种多维并行报文分类算法

位并行、位向量和聚合位向量算法通过对多个域进行并行处理加快分类速度,但三者内存占用太大,不适用于大规则集。为此,提出一种压缩位并行算法,通过报文分类压缩每个域上的重复规则并重新组织规则集,从而缩短位图中位串的长度,减少内存空间的占用。实验结果证明,该压缩位并行算法在不影响运行速度的前提下,明显减少了空间占用。     

用于WEB文档分类的并行KNN算法

针对WEB文档分类中KNN算法计算复杂度高的缺点,不同于以往从减少训练样本集大小和采用快速算法角度来降低KNN算法的计算复杂度,从并行的角度出发,提出一种在Hyper-cube SIMD模型上的并行算法,其关键部分的时间计算复杂度从O（n²）降为O（log（n））,该算法与传统的串行算法相比,能显著地提高分类速度。     

基于Hadoop平台的TFIDF算法并行化研究

针对大数据集下文本分类算法在单机上训练和测试过程效率低下的问题,提出了基于Hadoop分布式平台的TFIDF文本分类算法,并给出了算法实现的具体流程。通过MapReduce编程模型实现了考虑到词在文档中位置的并行化TFIDF文本分类算法,并与传统串行算法进行了对比,同时在单机和集群模式下进行了实验。实验表明,使用并行化的TFIDF文本分类算法可实现对海量数据的高速有效分类,并使算法性能得到优化。     

一种支持向量机的快速分类算法

鉴于传统支持向量机分类过程的计算量和支持向量的个数成正比,为了提高分类决策的速度,提出一种约简支持向量的快速分类算法,该算法对原始的支持向量进行特定比例的模糊均值聚类操作,按照分类误差最小的原则构建最小线性二乘回归模型,求解新的支持向量系数和决策函数的偏置.人造数据集和标准数据集上的实验表明,约简50%支持向量后,可以在保持分类精度在无统计意义的明显损失的前提下,使得分类速度提高50%.