CN106817376A - 一种基于遗传算法的包匹配方法 - Google Patents

一种基于遗传算法的包匹配方法 Download PDF

Info

Publication number
CN106817376A
CN106817376A CN201710091852.XA CN201710091852A CN106817376A CN 106817376 A CN106817376 A CN 106817376A CN 201710091852 A CN201710091852 A CN 201710091852A CN 106817376 A CN106817376 A CN 106817376A
Authority
CN
China
Prior art keywords
rule
bag
individuality
genetic algorithm
chromosome
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710091852.XA
Other languages
English (en)
Other versions
CN106817376B (zh
Inventor
程实
王则林
潘建生
王昱
程显毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Longen Power Technology Co ltd
Original Assignee
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University, Nantong Research Institute for Advanced Communication Technologies Co Ltd filed Critical Nantong University
Priority to CN201710091852.XA priority Critical patent/CN106817376B/zh
Publication of CN106817376A publication Critical patent/CN106817376A/zh
Application granted granted Critical
Publication of CN106817376B publication Critical patent/CN106817376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于遗传算法的包匹配方法，包括如下步骤：(1)采用遗传算法来进行特征选择，选出相关特征位，去除冗余特征位和无关特征位；(2)对包规则库中的规则进行分析和处理，精简规则库中的覆盖规则和交叉规则。本发明通过运用遗传算法去对防火墙的包规则库进行降维处理，在降维的同时对包规则库的冗余规则进行分析和处理，数值实验显示本发明提出的思想，无论包规则库在什么规模下，都能改善包匹配算法的各项性能指标。

Description

一种基于遗传算法的包匹配方法
技术领域
本发明涉及网络安全技术领域，具体涉及一种基于遗传算法的包匹配方法。
背景技术
防火墙包匹配算法对防火墙的包转发效率有着关键性的影响，近些年很多学者从不同角度提出了不同的包匹配算法，这些算法有的适应特定的环境，在特定的环境下性能很好，有些算法综合性能较优，但具体的某个性能表现一般，有的算法只能处理特定的数据，有的算法需要特定的硬件支持，总之，所有的算法都有其优秀的一面，肯定也有它的缺陷，没有一个算法能在所有的环境下，性能都是最优。包匹配算法根据其特点大体可分为基于软件、基于硬件以及混杂的。现在常把包匹配算法分为五类：穷举搜索匹配算法、分解匹配算法、决策树匹配算法、元祖空间匹配算法以及基于智能的算法。
这些算法都是从算法本身出发去寻找解决问题的切入点，其中分解匹配算法是把整个维度进行分割，分而治之。穷举搜索匹配算法是以牺牲时间、效率来节省空间。决策树匹配算法需要消耗大量的无效空间。基于智能的算法还处于探索阶段，如何把高维的问题降维成低维的问题，如何从控制论的角度去分析问题，上述各种匹配算法，理论上都有待于完善。
包匹配问题面对的是128位的IP地址，16位的端口号，8位的上层协议，相异的规则数目理论上应该是2128*2128*216*216*28，实际上网络设备中的规则数远远小于这个数，这就意味着296个特征位有许多冗余特征为，而相关特征的数目却是一个很小的数值。因此，从包匹配问题的本身考虑，可以发现问题本身存在大量的冗余，可以考虑采用降维的思想去降低问题的复杂程度，附带减少规则库的规则间存在的冗余。
目前，降维有两类主流技术：特征选择和特征变换。特征选择就是去寻找能有效对问题进行分类的特征子集，通过这些特征子集识别个体的能力和运用问题的所有特征识别问题的能力要存在一定程度的近似性。这种近似性也是衡量特征选择是否确当的依据。特征选择就是特征压缩，压缩掉冗余的特征，针对具体的问题就是属性选择或者变量选择。对于特征子集的选择方法主要有随机的方法、启发式方法、穷举法以及智能优化的方法。
启发式方法运用启发式思想去寻找特征子集，这种方法不能估算收敛时间，也不能保证寻找的特征子集是最优的，一般寻找到的只是问题的较优子集。穷举法是一种思想最单纯的降维策略，对于N维的特征集合，有2N种可能的搜索子集，穷举法可以寻找到问题的最优子集，但是从性能上讲，由于开销太大，它是不实际的一种降维方法。随机的方法依据一定的概率来寻找问题的特征子集，性能较差。而智能优化方法是模拟生物进化或者种群的生活规律来实现问题优化，智能优化方法一般能寻找到问题全局最优解，能找到问题的最优特征子集，但是也仅限于找的问题的近似解。
发明内容
本发明的发明目的是解决上述技术问题，提供一种基于遗传算法的包匹配方法，无论包规则库在什么规模下，都能改善包匹配算法的各项性能指标。
为解决上述技术问题，本发明的实施例提供一种基于遗传算法的包匹配方法，包括如下步骤：
(1)采用遗传算法来进行特征选择，选出相关特征位，去除冗余特征位和无关特征位；
(2)对包规则库中的规则进行分析和处理，精简规则库中的覆盖规则和交叉规则。
其中，上述的包匹配方法还包括步骤(2)之后的步骤(3)算法设计，具体步骤如下：
(3-1)设定初始值：种群规模NP＝2000，演化代数I＝100，调节两个因子的权重α＝0.9，β＝0.1，交叉因子Λ＝10；
(3-2)设置循环终止条件：演化代数I达到100或公式(1)的适应值小于0.01；
(3-3)根据公式(1)对个体进行评价，
fitness＝α(1/H)+βS1 (1)，
其中，S1为染色体中基因值为1的基因数目，α、β分别为调节两个因子的权重，α要远大于β，否者会导致局部最优，优选α＝0.9，β＝0.1；
(3-4从NP中选择两个个体；
(3-5)对选择的两个个体进行交叉操作；
(3-6)对选择的个体进行变异操作；
(3-7)结束。
其中，步骤(1)中解决如下两个问题：
(1-1)适应值设置：把包规则库中的规则像染色体一样映射成一串二进制字符串，针对染色体所有基因值为0的位，把二进制串的相应位去除；
假定：染色***数为8，群体中一个染色体为1 0 1 1 1 0 1，有三条规则相应的二进制串分别为：
1 0 0 0 1 1 1 1
1 0 1 1 0 0 0 1
0 1 0 1 0 0 1 1，
染色体1011101的第二位和第七位为“0”，所以把三条规则对应的二进制串的第二位和第七位删去，结果如下所示：
1 0 0 1 1 1
1 1 1 0 0 1
0 0 1 0 0 1，
计算处理后的包规则库中任何两条规则的相异度用它们的海明距离去度量，海明距离H，按下面的公式(2)计算：
其中，RN为包规则库中的规则数，hij为包规则库中的规则i和规则j之间的海明距离；
适应值按照公式(1)计算，
fitness＝α(1/H)+βS1 (1)；
(1-2)个体编码：采用二进制编码，染色体长度为296位，NP规模设为2000，交叉操作采用掩码的均匀交叉，每次交叉从种群里随机选择两个个体，根据掩码的设置产生交叉子个体，例如：假设随机选择的两父个体为：
父个体1：1 0 0 0 1 1 1 1 0 1 0 0 1 0 1 1
父个体2：1 0 1 1 0 0 0 1 1 1 0 1 0 1 0 0
掩码：0 0 1 1 1 0 0 1 1 1 0 1 1 0 0 1
则均匀交叉产生的子个体为：1 0 0 0 1 0 0 1 0 1 0 0 1 1 0 1；
变异采用随机选择Λ位进行变异，Λ随演化代数逐渐降低，在每一代演化过程中都把最优解保留下来，如果下一代中没有个体的适应值优于上一代保留的最优解，就用上一代保留的最优解随机替换下一代中的任一个体。
其中，步骤(2)中，对应规则间存在覆盖矛盾和交叉矛盾，要对规则进行分析，有时还要对日志文件进行分析，对于防火墙规则或者路由器的访问控制列表，要询问***管理员当时设置此规则的意图，分析矛盾规则间处理的决策。
进一步，步骤(2)中，假定一个规则定义为：X{[x1min，x2max]，...[xnmin,xnmax]}，覆盖的定义为：规则X＝{x1,x2,...xn}和规则Y＝{y1,y2,...yn}，如果对于任何xj，都存在yj被xj包含，那就定义为X规则覆盖y规则；处理行为一样的覆盖规则为覆盖冗余，匹配结果不一样的覆盖规则为覆盖矛盾；
交叉的定义为：如果规则X和规则Y在一维或多维之间存在范围重叠的现象，而剩余的别的维都是xj＝yj，那就定义规则X和规则Y重叠。
本发明的上述技术方案的有益效果如下：本发明对包规则库进行降维处理，在降维的同时对包规则库的冗余规则进行分析和处理，无论包规则库在什么规模下，都能改善包匹配算法的各项性能指标。
附图说明
图1为本发明实施例中4种算法预处理时间性能比较图；
图2为本发明实施例中4种算法的包匹配时间性能比较图；
图3为本发明实施例中4种算法的平均内存消耗比较图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
包匹配问题面对的是128位的IP地址，16位的端口号，8位的上层协议，相异的规则数目理论上应该是2128*2128*216*216*28，实际上网络设备中的规则数远远小于这个数，这就意味着296个特征位有许多冗余特征为，而相关特征的数目却是一个很小的数值。
表1 规则表简例
表1是一个只包含源IP地址的简单规则表示例，可以看出规则1和2异或运算的结果只有一位是1，也就是要区分这两条规则只有这一位是相关特征，而别的127位都是无关特征，再看第1条规则和第三条规则，执行相异运算结果只有低位的64位网卡地址部分是1，也就是这64位是相关特征位，第二条规则和第三条规则相异运算结果只有65位是1，同样说明只有这65位是相关特征位。整合后，区分这三条规则的相关特征位就是65位，别的都是无关特征位。
本发明基于包匹配问题本身存在大量的冗余，从而考虑采用降维的思想去降低问题的复杂程度，附带减少规则库的规则间存在的冗余。
本发明提供一种基于遗传算法的包匹配方法，包括如下步骤：
(1)采用遗传算法来进行特征选择，选出相关特征位，去除冗余特征位和无关特征位；
解决如下两个问题：
(1-1)适应值设置：受Moses Charikar提出的局部敏感(simhash)思想的启发，把包规则库中的规则像染色体一样映射成一串二进制字符串，针对染色体所有基因值为0的位，把二进制串的相应位去除；
假定：染色***数为8，群体中一个染色体为1 0 1 1 1 0 1，有三条规则相应的二进制串分别为：
1 0 0 0 1 1 1 1
1 0 1 1 0 0 0 1
0 1 0 1 0 0 1 1，
染色体1 0 1 1 1 0 1的第二位和第七位为“0”，所以把三条规则对应的二进制串的第二位和第七位删去，结果如下所示：
1 0 0 1 1 1
1 1 1 0 0 1
0 0 1 0 0 1，
计算处理后的包规则库中任何两条规则的相异度用它们的海明距离去度量，海明距离H，按下面的公式(2)计算：
其中，RN为包规则库中的规则数，hij为包规则库中的规则i和规则j之间的海明距离；
适应值按照公式(1)计算：
fitness＝α(1/H)+βS1 (1)，
其中，S1为染色体中基因值为1的基因数目，α、β分别为调节两个因子的权重，α要远大于β，否者会导致局部最优，优选α＝0.9，β＝0.1。
(1-2)个体编码：采用二进制编码，染色体长度为296位，NP规模设为2000，交叉操作采用掩码的均匀交叉，每次交叉从种群里随机选择两个个体，根据掩码的设置产生交叉子个体，例如：假设随机选择的两父个体为：
父个体1：1 0 0 0 1 1 1 1 0 1 0 0 1 0 1 1
父个体2：1 0 1 1 0 0 0 1 1 1 0 1 0 1 0 0
掩码：0 0 1 1 1 0 0 1 1 1 0 1 1 0 0 1
则均匀交叉产生的子个体为：1 0 0 0 1 0 0 1 0 1 0 0 1 1 0 1；
变异采用随机选择Λ位进行变异，Λ随演化代数逐渐降低，在每一代演化过程中都把最优解保留下来，如果下一代中没有个体的适应值优于上一代保留的最优解，就用上一代保留的最优解随机替换下一代中的任一个体。
(2)对包规则库中的规则进行分析和处理，精简规则库中的覆盖规则和交叉规则；
规则库里面的很多规则存在冗余、矛盾的地方，假定一个规则定义为：X{[x1min，x2max]，...[xn min,xn max]}。规则库里规则之间可能存在覆盖的问题。覆盖的定义如下：
规则X＝{x1,x2,...xn}和规则Y＝{y1,y2,...yn},如果对于任何xj,都存在yj被xj包含，那就定义为X规则覆盖y规则。
例如：表1规则1和规则3，规则3覆盖规则1。
遇到覆盖的规则，如果它们的处理行为一样，就存在规则冗余。例如，假如规则3和规则1的匹配结果都是“drop”，或都是“Access”，那规则1和规则3就存在冗余。可以删除规则1，如果规则3和规则1的匹配结果不一致，那就存在矛盾或冲突的问题。
规则库里的规则间存在交叉的问题，交叉的定义如下：如果规则X和规则Y在一维或多维之间存在范围重叠的现象，而剩余的别的维都是xj＝yj，那就定义规则X和规则Y重叠，对于重叠问题同样也能存在冗余和矛盾。
在上面计算hij时，设计一阈值Φ，若hij小于阈值时，就去判断是否存在覆盖和交叉的规则集合。存在就分别进行相应的处理。如果覆盖冗余，就直接删除被覆盖的规则，如果是交叉冗余，对其中一条规则执行去除冗余操作。
表2 规则表示例
对于表2中的规则1和规则2就是存在交叉冗余，可以对规则1，进行处理如下表3。
表3 处理冗余的结果
对于规则间存在覆盖矛盾和交叉矛盾，要对规则进行分析，有时还要对日志文件进行分析，对于防火墙规则或者路由器的访问控制列表，要询问***管理员当时设置此规则的意图，分析矛盾规则间处理的决策。这个不是技术层面的事。
(3)算法设计，具体步骤如下：
(3-1)Initialization:NP＝2000，I＝100，α＝0.9，β＝0.1，Λ＝10
//NP:populationsize，I:iterations，α，β：formulation(3-2)regulatoryfactors,Λ：crossover digits.
即：设定初始值：种群规模NP＝2000，演化代数I＝100，调节两个因子的权重α＝0.9，β＝0.1，交叉因子Λ＝10；
(3-2)for(terminationconditions)：
即：设置循环终止条件：演化代数I达到100或公式(1)的适应值小于0.01；
(3-3)assessment，根据公式(1)对个体进行评价；
(3-4)selection，从NP中选择两个个体；
(3-5)crossover，对选择的两个个体进行交叉操作；
(3-6)mutation，对选择的个体进行变异操作；
(3-7)end for，结束。
利用本发明的技术方案，将算法ACO-PF以及基于差分演化算法和传统线性搜索算 法相结合的算法(RDEPM)，分别和他们利用降维预处理后的算法N-ACO-PF、N-RDEPM进行对 比实验。实验是在Linux仿真环境下实现，在仿真实验过程中，把防火墙的最大数据包处理 速率设置为4000个/s，每一次测试时间为5s，优化算法中的定时器初始时长设为1s。实验中 采用的操作***软件平台：Linux Redhat 9.0，CPU采用的是Core17 980XM，16G内存；所用 的仿真软件是NS-2(Network Simulator v2.27)。本实验基础数据是6组规则库，每组又分 为十小组，其中9小组是训练数据，第十小组是测试数据。在6种情况中，当规则数线性增长 时，观察相应研究数据各自的变化趋势。在规则数线性增长的情况下，研究四种算法的优 劣。本实验是以iptables建立的防火墙规则为实验数据，由于防火墙的规则相比于路由器 中的规则复杂一些，从而本实验使用前者更具有说服力。实验的结果都是运算40次的平均 值。
表4 4种算法性能比较
表4展示了4种算法预处理过程的时间消耗、数据包匹配平均时间消耗、以及内存平均消耗。从表4可知，本章提出的降维思想运用RDEPM和ACO-PF后，使RDEPM和ACO-PF性能得到大大提高。
从表4以及图1来看，降维思想运用后，使包匹配的预处理时间无论在什么规模下都改善了许多。RDEPM的作者通过数值实验验证得出，RDEPM的性能普遍比ACO-PF强，但是在预处理时间消耗上，NACO-PF比RDEPM强。
从表4以及图2看，在平均包匹配时间消耗上，降维思想运用后，无论在什么规模下此性能都改善了许多。
从表4以及图3显示出，降维思想运用算法改造后，使包匹配的内存消耗无论在什么规模下都改善了许多，而且发现随着规则库规模的增加，N-ACO-PF性能显著增强，相对于ACO-PF而言。RDEPM的作者通过实验告诉我们，RDEPM算法的内存消耗性能比ACO-PF算法强了很多，但是，本数值实验发现N-ACO-PF的内存消耗能力比RDEPM强多了。
本发明通过运用遗传算法去对防火墙的包规则库进行降维处理，在降维的同时对包规则库的冗余规则进行分析和处理，数值实验显示本发明提出的思想，无论包规则库在什么规模下，都能改善包匹配算法的各项性能指标。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于遗传算法的包匹配方法，其特征在于，包括如下步骤：
(1)采用遗传算法来进行特征选择，选出相关特征位，去除冗余特征位和无关特征位；
(2)对包规则库中的规则进行分析和处理，精简规则库中的覆盖规则和交叉规则。
2.根据权利要求1所述的基于遗传算法的包匹配方法，其特征在于，包括步骤(2)之后的步骤(3)，
(3)算法设计，具体步骤如下：
(3-1)设定初始值：种群规模NP＝2000，演化代数I＝100，调节两个因子的权重α＝0.9，β＝0.1，交叉因子Λ＝10；
(3-2)设置循环终止条件：演化代数I达到100或公式(1)的适应值小于0.01；
(3-3)根据公式(1)对个体进行评价，
fitness＝α(1/H)+βS1 (1)，
其中，S1为染色体中基因值为1的基因数目，α、β分别为调节两个因子的权重，α要远大于β，否者会导致局部最优，优选α＝0.9，β＝0.1；
(3-4)从NP中选择两个个体；
(3-5)对选择的两个个体进行交叉操作；
(3-6)对选择的个体进行变异操作；
(3-7)结束。
3.根据权利要求1所述的基于遗传算法的包匹配方法，其特征在于，步骤(1)中解决如下两个问题：
(1-1)适应值设置：把包规则库中的规则像染色体一样映射成一串二进制字符串，针对染色体所有基因值为0的位，把二进制串的相应位去除；
假定：染色***数为8，群体中一个染色体为1 0 1 1 1 0 1，有三条规则相应的二进制串分别为：
1 0 0 0 1 1 1 1
1 0 1 1 0 0 0 1
0 1 0 1 0 0 1 1，
染色体1 0 1 1 1 0 1的第二位和第七位为“0”，所以把三条规则对应的二进制串的第二位和第七位删去，结果如下所示：
1 0 0 1 1 1
1 1 1 0 0 1
0 0 1 0 0 1，
计算处理后的包规则库中任何两条规则的相异度用它们的海明距离去度量，海明距离H，按下面的公式(2)计算：
H = Σ i = 1 R N Σ j = 1 R N h i j - - - ( 2 ) ,
其中，RN为包规则库中的规则数，hij为包规则库中的规则i和规则j之间的海明距离；
适应值按照公式(1)计算：
fitness＝α(1/H)+βS1 (1)；
(1-2)个体编码：采用二进制编码，染色体长度为296位，NP规模设为2000，交叉操作采用掩码的均匀交叉，每次交叉从种群里随机选择两个个体，根据掩码的设置产生交叉子个体，例如：假设随机选择的两父个体为：
父个体1：1 0 0 0 1 1 1 1 0 1 0 0 1 0 1 1
父个体2：1 0 1 1 0 0 0 1 1 1 0 1 0 1 0 0
掩码：0 0 1 1 1 0 0 1 1 1 0 1 1 0 0 1
则均匀交叉产生的子个体为：1 0 0 0 1 0 0 1 0 1 0 0 1 1 0 1；
变异采用随机选择Λ位进行变异，Λ随演化代数逐渐降低，在每一代演化过程中都把最优解保留下来，如果下一代中没有个体的适应值优于上一代保留的最优解，就用上一代保留的最优解随机替换下一代中的任一个体。
4.根据权利要求1所述的基于遗传算法的包匹配方法，其特征在于，步骤(2)中，对应规则间存在覆盖矛盾和交叉矛盾，要对规则进行分析，或对日志文件进行分析，对于防火墙规则、路由器的访问控制列表，询问***管理员设置此规则的意图，分析矛盾规则间处理的决策。
5.根据权利要求1所述的基于遗传算法的包匹配方法，其特征在于，步骤(2)中，假定一个规则定义为：X{[x1 min，x2 max]，...[xn min,xn max]}，覆盖的定义为：规则X＝{x1,x2,...xn}和规则Y＝{y1,y2,...yn}，如果对于任何xj，都存在yj被xj包含，那就定义为X规则覆盖y规则；处理行为一样的覆盖规则为覆盖冗余，匹配结果不一样的覆盖规则为覆盖矛盾；
交叉的定义为：如果规则X和规则Y在一维或多维之间存在范围重叠的现象，而剩余的别的维都是xj＝yj，那就定义规则X和规则Y重叠。
CN201710091852.XA 2017-02-21 2017-02-21 一种基于遗传算法的包匹配方法 Active CN106817376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710091852.XA CN106817376B (zh) 2017-02-21 2017-02-21 一种基于遗传算法的包匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710091852.XA CN106817376B (zh) 2017-02-21 2017-02-21 一种基于遗传算法的包匹配方法

Publications (2)

Publication Number Publication Date
CN106817376A true CN106817376A (zh) 2017-06-09
CN106817376B CN106817376B (zh) 2020-07-07

Family

ID=59112702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710091852.XA Active CN106817376B (zh) 2017-02-21 2017-02-21 一种基于遗传算法的包匹配方法

Country Status (1)

Country Link
CN (1) CN106817376B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103269342A (zh) * 2013-05-10 2013-08-28 南通大学 一种基于ipv6的高维大规模包匹配方法
CN105187435A (zh) * 2015-09-24 2015-12-23 浪潮电子信息产业股份有限公司 一种防火墙规则过滤优化方法
US20160205044A1 (en) * 2010-05-03 2016-07-14 Pluribus Networks, Inc. Methods and systems for managing distributed media access control address tables
CN105871856A (zh) * 2016-04-12 2016-08-17 桂林电子科技大学 批处理包过滤防火墙的实现方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160205044A1 (en) * 2010-05-03 2016-07-14 Pluribus Networks, Inc. Methods and systems for managing distributed media access control address tables
CN103269342A (zh) * 2013-05-10 2013-08-28 南通大学 一种基于ipv6的高维大规模包匹配方法
CN105187435A (zh) * 2015-09-24 2015-12-23 浪潮电子信息产业股份有限公司 一种防火墙规则过滤优化方法
CN105871856A (zh) * 2016-04-12 2016-08-17 桂林电子科技大学 批处理包过滤防火墙的实现方法

Also Published As

Publication number Publication date
CN106817376B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
Gallant Perceptron-based learning algorithms
Mahfoud Niching methods for genetic algorithms
Xu et al. Fuzzy evolutionary algorithms and automatic robot trajectory generation
Young et al. CARVE-a constructive algorithm for real-valued examples
Son From optimal hyperplanes to optimal decision trees
Asadi et al. Complexity-based parallel rule induction for multiclass classification
Alfaro-Cid et al. A genetic programming approach for bankruptcy prediction using a highly unbalanced database
Abudawood et al. Evaluation measures for multi-class subgroup discovery
Michalewicz et al. Evolutionary algorithms
Ishibuchi et al. Genetic-algorithm-based instance and feature selection
CN106817376A (zh) 一种基于遗传算法的包匹配方法
Zhang et al. A decision tree scoring model based on genetic algorithm and k-means algorithm
Alpaydin Multiple neural networks and weighted voting
Kijsirikul et al. Decision tree pruning using backpropagation neural networks
Elkano et al. Do we still need fuzzy classifiers for Small Data in the Era of Big Data?
CN114004326A (zh) 一种基于改进郊狼算法的elm神经网络优化方法
CN114692867A (zh) 一种结合高阶结构和注意力机制的网络表示学习算法
Hung et al. An adaptive growing grid model for a non-stationary environment
Fazzolari et al. Improving a fuzzy association rule-based classification model by granularity learning based on heuristic measures over multiple granularities
Krętowski et al. Evolutionary learning of linear trees with embedded feature selection
CN113449869A (zh) 一种易推理贝叶斯网络的学习方法
Khan et al. Hierarchical clustering for complex data
Berlanga et al. A novel genetic cooperative-competitive fuzzy rule based learning method using genetic programming for high dimensional problems
Song et al. A genetic algorithm with a Mendel operator for global minimization
Ishibuchi et al. Fuzzy if-then rules for pattern classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221221

Address after: Area a, 1 / F, building 104, No. 1-30, Lane 88, Minbei Road, Minhang District, Shanghai, 201107

Patentee after: Shanghai Zhuangneng Technology Center

Address before: 226019 Jiangsu Province, Nantong City Chongchuan District sik Road No. 9

Patentee before: NANTONG University

Patentee before: NANTONG RESEARCH INSTITUTE FOR ADVANCED COMMUNICATION TECHNOLOGIES Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231103

Address after: 226200 No. 16, Donghai Road, Qidong high tech Industrial Development Zone, Nantong City, Jiangsu Province

Patentee after: JIANGSU LONGEN POWER TECHNOLOGY Co.,Ltd.

Address before: Area a, 1 / F, building 104, No. 1-30, Lane 88, Minbei Road, Minhang District, Shanghai, 201107

Patentee before: Shanghai Zhuangneng Technology Center

TR01 Transfer of patent right