اکرم خان میرزایی

اکرم خان میرزایی


تاریخ انتشار : Publish : نسخه قابل چاپ Print

دانشکده مهندسی

گروه آموزشی مهندسی کامپیوتر

 

پایان‌نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات گرایش شبکه‌های کامپیوتری

 

عنوان:

افزایش سرعت دسته‌بندی بسته حافظه‌دار با استفاده از تکنیک‌های ساختمان داده‌ای 


استاد راهنما:

دکتر مهدی عباسی


نگارش:

اکرم خان میرزایی


چكيده:

دستهبندی بسته‌ها يکي از پردازش‌هاي اساسی در مولفه­هاي متنوع شبکه­اي است که اغلب توسط پردازنده‌هاي شبکه‌اي اجرا مي­گردد. اين فرآيند خودکار جريان­هاي ترافيکي شبکه را بر اساس پارامترهاي متعدد از جمله شماره درگاه و آدرس فرستنده و گيرنده دسته­بندي مي­نمايد. مهمترین شاخص کارایی الگوریتم‌های دستهبندی بستهها، سرعت جستجو جهت یافتن بهترین قانون منطبق بر اطلاعات سرآیند بسته می‌باشد. بیشتر دستهبندهای موجود تنها از ویژگی‌های قوانین دسته‌بند بسته‌ها برای افزایش سرعت دستهبندی بستهها استفاده میکنند. نگاهی به عملکرد دسته‌بندهای بسته، در یک بازه زمانی نشان میدهد که فراوانی تطابقهای هر قانون دستهبند با بستههای ورودی در گذر زمان متغیر است.  این مشاهده کلیدی، انگیزه اصلی برای طراحی دسته‌بندهای ترافیک-آگاه است. در دسته‌بندهای ترافیک آگاه ساختار دسته‌بند متناسب با الگوی ترافیک بسته‌های ورودی بروزرسانی می‌شود. ‌در این پژوهش یک روش‌ دسته‌بند ترافیک- اگاه مبتنی بر درخت تاشونده ارائه شده است. در روش ارائه شده قانونها در یک درخت تاشونده قرار می‌گیرند. به منظور سازگاری چرخش‌ها گره‌ها در درخت تاشونده  با الگوی ترافیک بسته‌های ورودی، چند سناریو ارائه گردیده است. در سناریوهای ارائه شده از یک حد آستانه و ویژگی­های آماری بسته‌های ورودی برای تغییر ساختار درخت به منظور تسریع تطبیق با قانون‌های پرتطبیق استفاده شده است. در سه سناریوی اول گره‌های پرتطبیق با استفاده از عملیات چرخش در نزدیکی ریشه قرار می‌گیرند. در سناریوی چهارم گره‌های پرتطبیق در یک حافظه نهان  از نوع تداعیگر درج می‌شوند. در ارزيابي‏ها از مجموعه قوانين و بسته‏هاي آزمايشي توليد شده توسط ابزار ClassBench استفاده شده است. به منظور شباهت بیشتر بسته‌های تولیده شده توسط ابزار ClassBench به ترافیک بسته‌های واقعی اینترنت به بسته‌های آزمونی یک برچسب زمانی اضافه نموده و آن را ارتقا دادیم. نتایج ارزیابی‌ها با مجموعه قوانین و حجم بسته‌های آزمون مختلف، حاکی از آن است که سه سناریوی اول به ازای مجموعه قوانین با اندازه کم و حجم بالای بسته‌های ورودی با میزان انحراف‌های بالا، با کاهش قابل توجه متوسط تعداد دسترسی‌ها به حافظه برای چرخش‌ها و در عین حال کاهش متوسط تعداد دسترسی‌ها به حافظه برای جستجو عملکرد قابل قبولی را نسبت به درخت تاشونده دارند. سناریوی چهارم به ازای همه‌ی مجموعه قوانین و حجم بالای بسته‌های ورودی با میزان انحراف‌های بالا، با کاهش 99 درصدی متوسط تعداد دسترسی‌ها به حافظه برای بروزرسانی و از طرفی کاهش متوسط تعداد دسترسی‌ها به حافظه برای جستجو نسبت به درخت تاشونده، بهترین عملکرد را در میان ستاریوها داشته است.

واژه­های کلیدی: دسته‎بندی بسته‎ها، دسته‌بندهای ترافیک- آگاه، درخت تاشونده، دسترسی به حافظه، برچسب زمانی،  انحراف


Abstract:

                  packet classification is one of the primary processes in diverse network elements which often is run by network processors. This automatic process classifies network traffic flows based on several parameters including port number and address of the source and des­tination .The most important performance indicator  packet classification algorithms, quickly search for the best rule is based on packet header information. More classifier available only feature of packet classification rules to increase their speed packet classification. look at the performance packet classification, in a period that many matchings any rule classifies the incoming packets varies over time. The key observation main motivation for traffic-aware classifier design. In traffic-aware classification structure is proportional to the traffic pattern incoming packets is updated. In this study, a method of classifying traffic based Intuit is providing a splay tree. In this method, the rule placed a splay tree. In order to adapt the rotation of nodes in the tree with closed traffic pattern traffic pattern packets, several scenarios are presented. In the scenarios presented above a set threshold and the statistical properties of incoming packets to restructure the tree in order to expedite implementation of the matching nodes is used. In the first three scenarios matching nodes are using the rotation operation near the roots. In the fourth scenario matching nodes in a cache of tcame are inserted. In the evaluation of a set of rules and testing packets produced by means of ClassBench is used. To best approximate the actual packet Internet traffic packets generated by the tool ClassBench to test a timestamp added to the packet and it improved. Results show that by using a set of rules and the various test packets, suggests that the first three scenarios for low and high volume of incoming packets with rules set by the size of the deviations above. The fourth scenario for all of the rules and the high volume of incoming packets with the deviations above, with a 99% reduction in the average number of accesses to memory for the update, and also reduced the average number of accesses to memory for the search to the  splay tree  Had the best performance among scenarios


 

khanmirzaei.a @gmail.com

 

سوابق تحصیلی ____________________________________________________

 

زمان

معدل

گرایش

رشته­ تحصیلی

نام دانشگاه

مقطع تحصیلی

86-91

60/16

آیتی

آیتی

تویسرکان

کارشناسی

92-94

55/17

شبکه

آیتی

بوعلی­سینا همدان

کارشناسی ارشد

 

پروژه­های پایانی ____________________________________________________

 

نمره

استاد راهنما

مقطع تحصیلی

عنوان پروژه پایانی

19

دکتر خزایی

کارشناسی

بررسی چالش های تجارت الکترونیکی در کشورهای توسع یافته

-

دکتر مهدی عباسی

کارشناسی ارشد

افزایش سرعت دسته بندی حافظه دار با استفاده از تکنیکهای ساختمان داده ای

 

 

پروژه های انجام شده________________________________________________

 

ردیف

عنوان پروژه

زبان و تکنولوژی

زمان

1

فروشگاه  مجازی

SQL Server, ASP.Net

سال 87

 

الگوریتم aqt

 

سال 92

4

الگوریتم های درس ساختمان داده ها

Java

سال 89

5

کنترل ازدحام در شبکه

Ns2

سال 92

6

الگوریتم splay

C#

سال 94

 

علایق شخصی _____________________________________________________________________

 

§         شبکه های بیسیم

§         دسته بندی بسته ها در شیکه

§         امنیت

 

سوابق تدریس ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

·         استاد حل تمرین برنامه‌نویسی درس ساختمان داده­ها

·         تدریس ICDL درجه یک و دو در آموزشگاه­های کامپیوتر

 

آشنا با زبان‌های برنامه‌نویسی ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

 

C++,ASP.NET,C#,

آشنا با فریم ورک های ـــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

 

Spring, jsf

آشنا با ابزارهای برنامه‌نویسی ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

 

E-clips,Netbeans, code blocks, Visual studio.Android Stadio.

آشنا با سیستم عامل ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ

Windows, Linux