基于粒子群算法的高性能流量解析軟件缺陷優化的方法

李 璐

(安徽工商職業學院，安徽 合肥 231131)

高性能流量解析軟件查詢、管理處理的映射信息,具有緩存查詢、分層次管理,以及冗雜備份等多方面特點。然而,由于該軟件涉及產品生產、物流流通、管理等多方面,很容易受到攻擊的服務,很難為用戶提供安全的流量解析服務,因此需要應對多種關鍵性解析技術的挑戰。本文充分利用粒子群算法可以使決策結果具有更加真實、可靠的優勢,以優化高性能流量解析軟件缺陷參數,提高解析精度和時效性。

1 高性能流量解析軟件缺陷現狀

高性能流量解析控制臺用于編寫高性能流量解析分類器中的規則,其影響解析過程中信息編碼的字段值,極易導致解析服務器與數據庫連接困難,同時用于存儲相同分類的信息編碼和信息服務地址聯系性不強。

高性能流量解析軟件的數據庫一般是按照數據鏈路、信息傳輸、明確下一級流量解析軟件的類型和起始位置的順序進行構建的。高性能流量解析軟件主要缺陷是需要更換已有的千兆過濾解析設備。即依照用戶個人的服務需求,將千兆過濾解析設備中數據的字段進行分類,并將分類后的數據通過不同的千兆解析服務端口處理。

2 基于粒子群的高性能流量解析軟件缺陷優化算法

2.1 設置高性能流量解析軟件缺陷參數

本文所提優化方法,是在慣性權重的作用下進行的,其慣性權重值直接影響著粒子群算法的功能。因此為了設置合適的慣性權重值,使粒子群算法的精確度和收斂性趨于平衡,此次高性能流量解析軟件缺陷優化,根據粒子群算法自身的特性和高性能流量解析軟件缺陷的實際情況進行非線性參數設置,避免高性能流量解析軟件在線性遞減慣性權重的過程中存在缺陷。因此,為了克服高性能流量解析軟件單純遞增、遞減帶來的問題,改進后的慣性權重參數公式如下:

(1)

(2)

其中,w(t)為慣性權重值,T為最大迭代次數,t為最小迭代次數。改進后的算法兼顧了遞增和遞減兩種可能性,使得高性能流量解析軟件缺陷優化的慣性權重參數前期收斂速度快,后期局部流量解析服務能力增強。

2.2 構建高性能流量解析軟件缺陷優化模型

以往的高性能流量解析軟件方法不能夠很好地高速訪問高性能流量解析軟件的服務。為此,本文所提優化方法,需要具備大規模地處理缺陷的能力,為使高性能流量解析軟件的服務達到峰值時,其服務能力依舊處于平穩、高效的范圍之內,優化模型的整體解析服務規則如圖1所示。

圖1 高性能流量解析軟件服務規則

由圖1可知,多個用戶客戶端的高性能流量解析軟件的請求形成高速網絡流量,通過高速網絡接口進入高性能流量解析分類器。其中,實現高性能流量解析軟件快速分流的解析分類器包括:管理、內容提取、接口分發、數據傳輸、CPU配置等內容。

優化模型的軟件流量解析應用服務器,應選擇面向用戶免費開源的框架結構,實現多種形式并行的高性能流量解析,CPU配置處理器的性能決定Linux架構下高性能流量解析軟件的應用服務器性能,隨著CPU處理器的快速更新,I/O性能低下制約高性能流量解析軟件缺陷。因此,本文采用Epoll技術控制I/O性能的流量解析應用服務器。

2.3 實現高性能流量解析軟件缺陷優化

在粒子群算法研究的基礎上,進行高性能流量解析軟件缺陷的優化,通過流量解析分類器中的管理和內容提取兩方面來實現。高性能流量解析軟件應用服務器輸出用戶所需信息,與此同時,根據高性能流量解析軟件缺陷優化模型特性,結合解析服務的應用方法,多種形式并行實現高性能流量解析,計算出高性能流量解析軟件的響應能力。

高性能流量解析軟件的分類器通過提取過濾應用服務器中的字符,以及控制高性能流量解析軟件中控制臺的分類方式實現。其中,高性能流量解析軟件中內容的提取是對流量解析數據庫的數據包進行分析。為了抽取高性能流量解析軟件應用服務器中的數據,需要設計高性能流量解析軟件數據包屬性查詢表。具體的數據包屬性查詢是通過設計高性能流量協議屬性查詢表,協義屬性查詢如表1所列。

表1 協議屬性查詢

按照順序讀取高性能流量協議屬性查詢表的各層協議屬性,抽取高性能流量協議首部長度,進而分析高性能流量解析軟件應用服務器的數據包,直至全部協議首部長度數據分析結束,最后直接通過高性能流量解析軟件的終端對分類器中的數據規則進行設定。

為了在高性能流量解析服務器與流量解析數據庫多種實施方式的對應關系中,滿足用戶環境的服務需求,基于粒子群算法優化高性能流量解析軟件缺陷。當流量解析服務器響應流量解析請求的速度多于流量解析數據庫查詢速度的時間時,需要使用一個高性能流量解析服務器,反之則說明同一個高性能流量解析數據庫需要多種高性能流量解析的服務器。

3 實驗

3.1 實驗環境

在粒子群算法研究的基礎上,高性能流量解析軟件缺陷的優化,需要采用的流量解析發生器為IXIA400T。IXIA400T有4個卡槽,支持多種類型的接口。通過優化高性能流量解析軟件缺陷,流量解析發生器可以根據用戶需要自定義流量解析協議屬性標準。

根據傳統的高性能流量解析軟件,此次仿真實驗還需要另一個硬件流量解析軟件包括流量解析分類器。傳統方法的PC1和基于粒子算法研究的PC2分別模擬用戶客戶端高性能流量解析請求的流量解析發生器。作為高性能流量解析軟件,流量解析服務器和流量解析分類器通過千兆連接。基于高性能流量解析軟件缺陷優化的特性,流量解析發生器需要在Windows XP的控制下自定義發生條件。而高性能流量解析分類器是在Linux系統下操作,提取用戶流量解析軟件的內容,傳輸到不同高性能流量解析軟件發生器的不同內部接口。

3.2 實驗過程及結果

通過高性能流量解析軟件的發生器控制流量解析發生器的參數,包括:流量解析的傳輸速度、流量解析數據包格式等內容。為了測試本文所提優化方法的有效性,對其緩存數據進行統計。

高性能流量解析分類器與流量解析發生器,接收解析編碼請求和響應的速度最高達千兆。兩臺主機通過流量解析發生器,分發根據流量解析分類規則而形成的請求。利用流量解析服務器處理響應,并返回流量解析發生器。2兩臺主機流量解析數據比較如表2所列。

表2 2臺主機流量解析數據比較

通過流量解析數據的比較可以看出,隨著發送數據包個數的增長,PC1和PC2所代表的兩種流量解析服務器處理的數據包個數都不同幅度地減少,但是PC2解析服務器處理的數據包個數相較于PC1解析服務器處理的數量更多。通過仿真實驗的結果進行比較,本文所提優化方法還是有一定成效,在使用更多分流、增加流量解析服務器的情況下,可以在一定程度上滿足目前高速發展的情形。

4 結束語

研究基于粒子群算法的高性能流量解析軟件缺陷的優化方法,將部分高性能流量解析軟件的功能轉移到高速應用的硬件網絡設備上。本文所提優化方法大大提高了解析軟件的服務器響應速度,與此同時,減輕了高性能流量解析軟件缺陷帶來的負擔。在粒子群算法的基礎上,高性能流量解析軟件缺陷的改進、優化初步實現。在未來的高性能解析軟件服務中,需要建立全網控制平臺。同時,健全解析軟件安全機制以保護用戶隱私。