基于GPU的網(wǎng)絡(luò)流量特征提取并行算法設(shè)計與實(shí)現(xiàn).pdf

1、網(wǎng)絡(luò)流量分類技術(shù)在增強(qiáng)網(wǎng)絡(luò)可控性以及加強(qiáng)網(wǎng)絡(luò)管理方面都發(fā)揮著重要的作用。隨著網(wǎng)絡(luò)應(yīng)用的層出不窮，對實(shí)時、準(zhǔn)確的流量分類技術(shù)提出了更高的要求，使得近年來研究者大量引入機(jī)器學(xué)習(xí)領(lǐng)域知識來處理流量分類問題，取得了較好的分類效果。但是，特征提取作為機(jī)器學(xué)習(xí)分類算法中一個重要環(huán)節(jié)，在處理大數(shù)據(jù)流量時因其計算復(fù)雜度較高、耗時過長已成為制約機(jī)器學(xué)習(xí)算法應(yīng)用于實(shí)時流量分類的主要瓶頸。
　　近年來，GPU硬件體系結(jié)構(gòu)的快速發(fā)展使其浮點(diǎn)運(yùn)算和并行計算

2、能力遠(yuǎn)遠(yuǎn)超過了CPU，在大規(guī)模并行處理和科學(xué)計算等方面取得了廣泛應(yīng)用。特別是NVIDIA公司CUDA編程模型的推出，提供了豐富的API函數(shù)，使其能夠更好地發(fā)揮GPU并行處理能力。
　　本文首先介紹了GPU在體系結(jié)構(gòu)和編程方式上與傳統(tǒng)CPU的不同。其次，對串行特征提取算法執(zhí)行流程進(jìn)行了介紹，并從串行算法每部分的計算任務(wù)大小和特點(diǎn)入手對算法的可并行性進(jìn)行了逐一地分析。在此基礎(chǔ)上，采用CUDA編程語言設(shè)計實(shí)現(xiàn)了并行特征提取算法，并利用流