基于GPU的高性能包分類技術(shù)的研究與實(shí)現(xiàn).pdf

1、隨著網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大，網(wǎng)絡(luò)業(yè)務(wù)也急劇增加?；ヂ?lián)網(wǎng)的性能已經(jīng)難以滿足日益增長(zhǎng)的需求。數(shù)據(jù)包分類作為路由器、交換機(jī)等網(wǎng)絡(luò)設(shè)備的核心功能，需要解決五元組規(guī)則匹配的問(wèn)題，在一定程度上決定了網(wǎng)絡(luò)包處理的吞吐率，進(jìn)而影響整體網(wǎng)絡(luò)性能。另一方面，在未來(lái)互聯(lián)網(wǎng)架構(gòu)的典型代表軟件定義網(wǎng)絡(luò)(SDN)中，數(shù)據(jù)平面需解決的核心問(wèn)題是OpenFlow流表查找。其本質(zhì)依然是數(shù)據(jù)包分類，只是域更多，規(guī)則更多，更新更頻繁而已。因此，實(shí)現(xiàn)高性能的、靈活可擴(kuò)展的包分類技術(shù)

2、已經(jīng)成為一個(gè)具有實(shí)際意義并且非常具有挑戰(zhàn)性的問(wèn)題。
　　本文著眼于數(shù)據(jù)包分類這一網(wǎng)絡(luò)包處理的核心問(wèn)題，重點(diǎn)研究CPU/GPU協(xié)處理架構(gòu)下的算法和結(jié)合優(yōu)化，取得了一定的成果。
　　首先，從經(jīng)典包分類算法HiCuts入手，探索GPU加速包分類算法需解決的一般性問(wèn)題。同時(shí)，通過(guò)引入高性能的包輸入輸出框架Netmap，本文搭建了一個(gè)簡(jiǎn)易的CPU/GPU協(xié)同包處理框架，實(shí)現(xiàn)端到端性能實(shí)測(cè)。實(shí)驗(yàn)結(jié)果表明，GPU加速可顯著提升HiCuts

3、的性能，但離線速處理還有較大的差距。這是因?yàn)镠iCuts算法并未能充分利用GPU的硬件特點(diǎn)。因此，本文進(jìn)一步結(jié)合GPU的并行機(jī)理及訪存特性設(shè)計(jì)了一種新型的基于比特位圖合并的包分類算法，并在算法的實(shí)現(xiàn)過(guò)程中充分利用CUDA平臺(tái)來(lái)實(shí)現(xiàn)細(xì)節(jié)優(yōu)化。實(shí)測(cè)結(jié)果表明，該算法相比于HiCuts，在GPU平臺(tái)上能實(shí)現(xiàn)2.3倍至9.5倍的加速。最后，本文結(jié)合OpenFlow流表查找的需求和GPU的硬件特點(diǎn)設(shè)計(jì)并實(shí)現(xiàn)了一種基于比特分割的樹形結(jié)構(gòu)及相應(yīng)的分類算