صغری آقامحمدلو
صغری آقامحمدلو
پایاننامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات گرایش شبکههای کامپیوتری
عنوان:
ارائهی روش جدید تخمین کارآیی الگوریتمهای دستهبندی بسته در فضای هندسی به کمک روشهای آماری
استاد راهنما:
دکتر مهدی عباسی
اساتید داور:
دکتر محمد نصیری
دکتر یونس سیفی
نگارش:
صغری آقامحمدلو
19/11/1394
ساعت 18
چكيده:
دستهبندی بستهها یکی از پردازشهای اساسی در سیستمهای متنوع شبکهای است که اغلب توسط پردازندههای شبکهای اجرا میگردد. دستهبندی بستهها فرآیندی خودکار است که جریانهای ترافیکی شبکه را براساس پارامترهای متعدد از جمله درگاه و آدرس فرستنده و گیرنده طبقهبندی مینماید. اکثر تحقیقات در حوزه دستهبندی بستهها تنها سعی نمودهاند که بر اساس ارائه الگوریتمهای جدید، مصرف حافظه را کاهش و سرعت دستهبندی را افزایش دهند و هیچگاه تاثیر مشخصههای آماری قوانین دستهبند را در کارایی نهایی ارزیابی نکردهاند. در این پژوهش، ابتدا نحوه محاسبه ویژگیهای مهم آماری مهمی چون تعامد و تعمیم، طول جفت پیشوند آدرس و انحراف برای هر مجموعه قانون توضیح داده شده است. سپس، تاثیر هریک از شاخصها، به صورت منفرد و مجموع بر میزان کارایی الگوریتمهای دستهبندی مهم به نام های Hicuts و H-Trie, AQT، در روند دستهبندی بستههای آزمون ارزیابی شده است. نتایج ارزیابی نشان میدهد با محاسبه شاخصهای مذکور در مورد قوانین دستهبندهای مورد استفاده در الگوریتمهای مذکور، میتوان کارایی الگوریتم دستهبند را از لحاظ میزان مصرف حافظه و سرعت دستهبندی پیشبینی کرد. در مورد دو الگوریتم مذکور به ترتیب، وجود تعداد زیاد قوانین با جفت پیشوند آدرس طولانی و وجود ساختارهای قائم در مجموعه قوانین، تأثیر قابل توجهی در کاهش حافظه مصرفی و افزایش سرعت دستهبند دارد.
The assessment results show these parameters with these algorithms help us to predicate memory usage and speed of classify. In these algorithms, the size of rulesets, the number of prefix pairs long and orthogonality in rulesets, have a significant impact on the speed and reduce the memory consumption Classification.