علی نجفی - دانشکده فنی و مهندسی
دانشكده فني مهندسي
گروه مهندسي کامپیوتر
جلسه دفاعیه پایان نامه جهت دريافت درجه كارشناسي ارشد در رشته مهندسی کامپیوتر
گرايش شبکههای کامپیوتری
عنوان:
ارتقا کارایی دستهبندی بسته ها در الگوریتمهای فضای چندتایی با استفاده از واحد پردازش گرافیکی
استاد راهنما:
دكتر مهدی عباسی
داوران:
دکتر محمد نصیری
دکتر محرم منصوری زاده
نگارش:
علی نجفی
زمان: یک شنبه 5 مهر ماه 94 ، ساعت 19:30
مکان: آمفی تئاتر دانشکده مهندسی
چكيده:
دستهبندي بستهها يکي از پردازشهاي اساسی در مولفههاي متنوع شبکهاي است که اغلب توسط پردازندههاي شبکهاي اجرا ميگردد. اين فرايند خودکار جريانهاي ترافيکي شبکه را براساس پارامترهاي متعدد از جمله شماره درگاه و آدرس فرستنده و گيرنده دستهبندي مينمايد. هرچند، تسريع الگوريتمهاي دستهبندي بستهها از طريق پيادهسازي سختافزاري آنها ممکن است، اين راهحل هزينه بالا و توسعهپذيري محدودي دارد. در مقابل، روشهاي نرمافزاري که اين مشکلات را برطرف ميکنند سرعت پائيني دارند. يک ايده کليدي براي رفع اين مشکل، موازيسازي دستهبندي بستهها روي واحدهاي پردازش گرافيکي است. در اين پژوهش، فرمهاي موازي الگوريتمهاي جستجوي فضاي چندتايي و فضاي هرس شده براي دستهبندي بستهها بر روي پردازندههاي گرافيکي با بهرهگيري از بستر نرمافزاري کودا بررسي شده است. براي استفاده از بالاترين سطح موازات ارائه شده توسط کودا، موازاتي ريزدانه مورد توجه قرار گرفته است. در فرم پيشنهادي، پس از انتقال جريان بستهها از حافظه ميزبان به حافظه سراسری پردازنده گرافيکي، هر بسته به يک پردازش نخي منتسب ميشود تا دستهبندي شود. همچنين، کارايي پياده سازي موازي الگوريتمهاي مذکور با درنظر گرفتن پنج سناريوي ممکن براي ذخيرهسازي قوانين دستهبندي و سرآيند بستهها درحافظههاي متفاوت واحد پردازش گرافيکي ارزيابي شده است. نتايج نشان ميدهد، نسخههاي موازي شده الگوريتمها روي واحد پردازش گرافيکي، از نظر سرعت و گذرداد نسبت به نسخه متوالي متناظر روي واحد پردازش مرکزي برتر هستند. همچنين، بالاترين کارايي الگوريتم موازي شده زماني حاصل ميشود که حافظه تسهيم شده واحد پردازش گرافيکي براي ذخيرهسازي مجموعه قوانين و سرآيند بستهها استفاده شود. علاوه بر این، الگوریتمهای جستجوی فضای چندتایی و فضای هرس شده به چهار روش ممکن در سیستمهای چند پردازندهها موازیسازی شدند. مقایسه نتایج ارزیابیها نشان میدهد، نسخه موازی شده الگوریتمها روی واحد پردازش گرافیکی نسبت به نسخه موازی متناظر روی سیستمهای چند پردازندهها، از نظر سرعت و گذرداد عملکرد بهتری را دارد.
واژههای کلیدی: دستهبندی بستهها، جستجوی فضاي چندتايي، فضای هرس شده، واحد پردازش گرافیکی، پردازش موازی، چندپردازنده، كارايي
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. Though it is possible to accelerate packet classification algorithms through their hardware implementation, this solution has a high cost and a limited extensibility. On the other hand, software methods which solve these problems suffer from low speed. A key idea to solve this problem is to parallelize packet classification on graphical processing units (GPUs). In this paper, we study parallel forms of tuple space search and tuple pruning algorithms to classify packets on GPUs using CUDA platform. To achieve the highest level of parallelism offered by CUDA, a fine-grain parallelism is considered. In the proposed form, after transferring packets from the host memory to the general memory of GPU, each packet is assigned to a thread to be classified. In addition, the performance of parallel implementation of aforementioned algorithms is evaluated considering five possible scenarios of storing classification rules and packet headers in different memory modules of GPU. Results show that parallel versions of algorithms on GPU, are superior to their corresponding sequential versions on CPU, in speed and throughput. In addition, the highest performance of the parallel algorithm is achieved when the shared memory of GPU is used to store the rule-set and packet headers. Moreover, we are parallelized Tuple Space Search and Tuple Pruning algorithms on multiprocessor systems via four possible methods. Comparing vluation results shows that the parallel versions of these algorithms on GPU are better than corresponding parallel versions on multiprocessor systems in speed and throughput.
Key Words: Packet Classification, Tuple Space Search, Tuple Pruning, GPU, Parallel Process, High-Performance
مشخصات فردی
|
v نام پدر: باقر
v تاریخ تولد: 31/3/1369
v آدرس: همدان، چهار راه پژوهش، خوابگاه پژوهش
v امکان ارتباطی:
Ø آدرس پست الکترونیک: ali.najafi1369@yahoo.com
سوابق تحصیلی
|
v دیپلم: ریاضی فیزیک ، دبیرستان شاهد 13
v کارشناسی: فناوری اطلاعات ، دانشگاه پیام نور شیراز
v کارشناسی ارشد: فناوری اطلاعات (IT) ،گرایش شبکههای کامپیوتری، دانشگاه بوعلی سینا همدان
مقالات
|
v علی نجفی، میلاد رفیعی، مهدی عباسی، ارتقا کارایی دستهبندی بستهها در الگوریتمهای فضای چندتایی و الگوریتم فضای هرس شده با استفاده از واحد پردازش گرافیکی، هفتمین کنفرانس بینالمللی فناوری اطلاعات و دانش، دانشگاه ارومیه، 5-7 خرداد 1394
v میلاد رفیعی، علی نجفی، مهدی عباسی، محمد نصیری، افزایش سرعت دستهبندی بستهها به روش درخت سلسلهمراتبی به کمک واحد پردازش گرافیکی، هفتمین کنفرانس بینالمللی فناوری اطلاعات و دانش، دانشگاه ارومیه، 5-7 خرداد 1394