برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Scalable Packet Classification

دانلود کتاب طبقه بندی بسته های مقیاس پذیر

مشخصات کتاب

Scalable Packet Classification

دسته بندی: شبکه سازی
ویرایش:  
نویسندگان: Baboescu F.,  Varghese G.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 13 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 465 کیلوبایت

قیمت کتاب (تومان) : 46,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

کلمات کلیدی مربوط به کتاب طبقه بندی بسته های مقیاس پذیر: کتابخانه، ادبیات کامپیوتری، شبکه های کامپیوتری

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 16

در صورت تبدیل فایل کتاب Scalable Packet Classification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب طبقه بندی بسته های مقیاس پذیر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب طبقه بندی بسته های مقیاس پذیر

معاملات IEEE/ACM در شبکه، جلد. 13، NO. 1، فوریه 2005.
طبقه بندی بسته ها برای برنامه هایی مانند فایروال ها، تشخیص نفوذ و سرویس های متمایز مهم است. الگوریتم‌های موجود برای طبقه‌بندی بسته‌ها در مقیاس ادبیات در مقیاس زمانی و مکانی ضعیف گزارش شده‌اند، زیرا پایگاه‌های داده فیلتر در اندازه بزرگ می‌شوند. راه حل های سخت افزاری مانند TCAM ها به طبقه بندی کننده های بزرگ مقیاس نمی شوند. با این حال، حتی برای طبقه‌بندی‌کننده‌های بزرگ (مثلاً 100000 قانون)، هر بسته احتمالاً با چند قانون (مثلاً 10) مطابقت دارد. این مقاله به دنبال بهره برداری از این مشاهدات برای تولید یک طرح طبقه بندی بسته مقیاس پذیر به نام بردار بیت جمع شده (ABV) است. الگوریتم جستجوی بردار بیت (BV) توضیح داده شده در لاکشمن و استیدیالیس، 1998 (که زمان خطی می‌گیرد) را می‌گیرد و دو ایده جدید، تجمیع بازگشتی نقشه‌های بیت و بازآرایی فیلترها را برای ایجاد ABV (که می‌تواند برای بسیاری از پایگاه‌های داده زمان لگاریتمی طول بکشد) اضافه می‌کند. ). ما نشان می‌دهیم که ABV با استفاده از شبیه‌سازی در پایگاه‌های داده فایروال صنعتی و پایگاه‌های داده‌ای که به‌طور مصنوعی تولید شده‌اند، از BV با مرتبه‌ای بهتر عمل می‌کند.

توضیحاتی درمورد کتاب به خارجی

IEEE/ACM TRANSACTIONS ON NETWORKING, VOL. 13, NO. 1, FEBRUARY 2005.
Packet classification is important for applications such as firewalls, intrusion detection, and differentiated services. Existing algorithms for packet classification reported in the literature scale poorly in either time or space as filter databases grow in size. Hardware solutions such as TCAMs do not scale to large classifiers. However, even for large classifiers (say, 100 000 rules), any packet is likely to match a few (say, 10) rules. This paper seeks to exploit this observation to produce a scalable packet classification scheme called Aggregated Bit Vector (ABV). It takes the bit vector search algorithm (BV) described in Lakshman and Stidialis, 1998 (which takes linear time) and adds two new ideas, recursive aggregation of bit maps and filter rearrangement, to create ABV (which can take logarithmic time for many databases). We show that ABV outperforms BV by an order of magnitude using simulations on both industrial firewall databases and synthetically generated databases.