本發(fā)明涉及網(wǎng)絡(luò)技術(shù)，特別涉及一種網(wǎng)包分類方法和裝置。
背景技術(shù)：
：網(wǎng)包分類大致可理解為根據(jù)配置的分類規(guī)則，對(duì)網(wǎng)包包頭中各個(gè)不同字段的值進(jìn)行處理，得到匹配的分類規(guī)則，并執(zhí)行該規(guī)則配置的操作動(dòng)作。許多網(wǎng)絡(luò)設(shè)備提供的諸如訪問控制、流量控制、負(fù)載均衡、入侵檢測(cè)等功能均需要用到網(wǎng)包分類。相關(guān)技術(shù)中一種常用的網(wǎng)包分類方法是基于決策樹的網(wǎng)包分類，決策樹是根據(jù)預(yù)設(shè)的規(guī)則集(規(guī)則集包括很多分類規(guī)則)生成的描述網(wǎng)包分類過程的一種數(shù)據(jù)結(jié)構(gòu)，當(dāng)網(wǎng)絡(luò)設(shè)備接收到網(wǎng)包時(shí)，將按照該決策樹限定的分類過程最終找到與網(wǎng)包匹配的分類規(guī)則，并按照分類規(guī)則中的操作動(dòng)作對(duì)網(wǎng)包進(jìn)行處理，比如丟棄網(wǎng)包或者接受網(wǎng)包等。目前的問題是，在生成上述決策樹的過程中可能會(huì)出現(xiàn)規(guī)則復(fù)制現(xiàn)象，即某個(gè)分類規(guī)則由于覆蓋了分割點(diǎn)而被一分為二，從而導(dǎo)致決策樹的節(jié)點(diǎn)太多，決策樹規(guī)模過大；用于存儲(chǔ)決策樹的存儲(chǔ)器無法支持如此大的信息量，限制了決策樹對(duì)應(yīng)的規(guī)則集規(guī)模；而且較大的決策樹也使得決策樹的生成時(shí)間太長，效率太低，決策樹生成慢也使得對(duì)應(yīng)的網(wǎng)包分類的效率降低。技術(shù)實(shí)現(xiàn)要素：有鑒于此，本發(fā)明提供一種網(wǎng)包分類方法和裝置，以降低用于進(jìn)行網(wǎng)包分類的決策樹的規(guī)模，提高決策樹的生成效率。具體地，本發(fā)明是通過如下技術(shù)方案實(shí)現(xiàn)的：第一方面，提供一種網(wǎng)包分類方法，包括：采用循環(huán)分組法對(duì)初始規(guī)則集進(jìn)行分組，生成預(yù)設(shè)數(shù)目的子規(guī)則集，所述循環(huán)分組法包括：由待分組的規(guī)則集集合中選取規(guī)則集交疊率最高的目標(biāo)規(guī)則集，根據(jù)切分點(diǎn)對(duì)所述目標(biāo)規(guī)則集進(jìn)行切分得到兩個(gè)子規(guī)則集，所述兩個(gè)子規(guī)則集中的其中一個(gè)子規(guī)則集的規(guī)則集交疊率小于另一個(gè)子規(guī)則集的規(guī)則集交疊率；將所述兩個(gè)子規(guī)則集放入所述規(guī)則集集合中，并繼續(xù)對(duì)所述規(guī)則集集合中的子規(guī)則集進(jìn)行切分，直至所述規(guī)則集集合中的子規(guī)則集的數(shù)目達(dá)到所述預(yù)設(shè)數(shù)目；分別對(duì)每一個(gè)所述子規(guī)則集進(jìn)行建樹，得到與所述子規(guī)則集對(duì)應(yīng)的決策樹，所述決策樹用于對(duì)網(wǎng)包進(jìn)行分類處理。第二方面，提供一種網(wǎng)包分類裝置，包括：分組模塊，用于采用循環(huán)分組法對(duì)初始規(guī)則集進(jìn)行分組，生成預(yù)設(shè)數(shù)目的子規(guī)則集，所述循環(huán)分組法包括：由待分組的規(guī)則集集合中選取規(guī)則集交疊率最高的目標(biāo)規(guī)則集，根據(jù)切分點(diǎn)對(duì)所述目標(biāo)規(guī)則集進(jìn)行切分得到兩個(gè)子規(guī)則集，所述兩個(gè)子規(guī)則集中的其中一個(gè)子規(guī)則集的規(guī)則集交疊率小于另一個(gè)子規(guī)則集的規(guī)則集交疊率；將所述兩個(gè)子規(guī)則集放入所述規(guī)則集集合中，并繼續(xù)對(duì)所述規(guī)則集集合中的子規(guī)則集進(jìn)行切分，直至所述規(guī)則集集合中的子規(guī)則集的數(shù)目達(dá)到所述預(yù)設(shè)數(shù)目；建樹模塊，用于分別對(duì)每一個(gè)所述子規(guī)則集進(jìn)行建樹，得到與所述子規(guī)則集對(duì)應(yīng)的決策樹，所述決策樹用于對(duì)網(wǎng)包進(jìn)行分類處理。本申請(qǐng)實(shí)施例提供的網(wǎng)包分類方法和裝置，通過將規(guī)則集分組成交疊率不同的兩個(gè)子規(guī)則集，并針對(duì)該子規(guī)則集進(jìn)行建樹，這種方式就可以實(shí)現(xiàn)對(duì)用于進(jìn)行網(wǎng)包分類的決策樹規(guī)模的降低，提高決策樹的生成效率。附圖說明圖1是一個(gè)例子中網(wǎng)包分類的原理圖；圖2是一個(gè)例子中決策樹的結(jié)構(gòu)形式圖；圖3是一個(gè)例子中網(wǎng)包分類方法的流程圖；圖4是一個(gè)例子中網(wǎng)包分類裝置的結(jié)構(gòu)圖；圖5是一個(gè)例子中循環(huán)分組法的示意圖；圖6是一個(gè)例子中的使用循環(huán)分組法的分組流程圖；圖7是一個(gè)例子中網(wǎng)包分類裝置的結(jié)構(gòu)圖；圖8是一個(gè)例子中網(wǎng)包分類裝置的結(jié)構(gòu)圖；圖9是一個(gè)例子中傳統(tǒng)方式的全補(bǔ)洞決策樹示意圖；圖10是一個(gè)例子中部分補(bǔ)洞方式下的決策樹示意圖；圖11是一個(gè)例子中的決策樹結(jié)構(gòu)示意圖；圖12是一個(gè)例子中的節(jié)點(diǎn)合并示意圖；圖13是一個(gè)例子中網(wǎng)包分類裝置的結(jié)構(gòu)圖；圖14是一個(gè)例子中的網(wǎng)包分類方法的實(shí)施效果圖一；圖15是一個(gè)例子中的網(wǎng)包分類方法的實(shí)施效果圖二。具體實(shí)施方式在網(wǎng)絡(luò)設(shè)備提供的諸如訪問控制、流量控制、入侵檢測(cè)等功能中，均可能使用到“網(wǎng)包分類”，網(wǎng)包分類例如是網(wǎng)絡(luò)設(shè)備對(duì)接收到的網(wǎng)包(Packet)，根據(jù)決策樹進(jìn)行分類規(guī)則的匹配查找，最終得到與該網(wǎng)包匹配的分類規(guī)則，按照該分類規(guī)則中的操作動(dòng)作對(duì)網(wǎng)包進(jìn)行處理(例如，丟棄網(wǎng)包)。上述的網(wǎng)包分類過程可以參見圖1的示例，圖1簡單示例了網(wǎng)包分類的原理。如圖1所示，網(wǎng)包分類實(shí)際上是從規(guī)則集11中找到與待分類的網(wǎng)包12匹配的分類規(guī)則，規(guī)則集11包括很多分類規(guī)則，該分類規(guī)則例如是下表1的形式：表1分類規(guī)則RuleID源IP目的IP源端口目的端口操作動(dòng)作0010.0.0.0/010.0.8.28/32800～65535丟棄如表1所示，是示例的一種分類規(guī)則的形式；需要說明的是，表1只是示例了分類規(guī)則的其中一部分信息，分類規(guī)則還可以包括其他信息(比如，該規(guī)則的優(yōu)先級(jí))。規(guī)則集11中包括很多這樣的分類規(guī)則，待分類的網(wǎng)包12，如果其中的各個(gè)字段能夠匹配上述表1中的各個(gè)字段，則表明網(wǎng)包與分類規(guī)則匹配；例如，網(wǎng)包12中包括的源IP、目的IP、源端口和目的端口，均與表1中各字段匹配，那么表1的分類規(guī)則就是與網(wǎng)包12匹配的分類規(guī)則，將按照該分類規(guī)則對(duì)應(yīng)的操作動(dòng)作“丟棄”來處理網(wǎng)包12，即將網(wǎng)包12丟棄。而圖1即示意了如何從規(guī)則集11中查找到與網(wǎng)包12匹配的分類規(guī)則的過程，整個(gè)過程可以包括三部分：分組、建樹和查找；如下：分組器(TreeSplitter)執(zhí)行的分組處理：對(duì)一個(gè)規(guī)則集執(zhí)行決策樹的建樹算法時(shí)，通常不可避免地會(huì)產(chǎn)生規(guī)則裂變和復(fù)制，同時(shí)隨著規(guī)則之間重疊情況的加劇，進(jìn)而導(dǎo)致決策樹的規(guī)模發(fā)生爆炸；將規(guī)則集劃分為更小的子集可以減少規(guī)則之間的重疊度，再分別針對(duì)每個(gè)子集進(jìn)行建樹將有效減少最終生成決策樹的規(guī)模?；诖?，才要進(jìn)行規(guī)則集的分組，并分別針對(duì)各個(gè)分組進(jìn)行建樹。例如，規(guī)則集11中包括很多的分類規(guī)則，本實(shí)施例將該規(guī)則集中的分類規(guī)則進(jìn)行分組，得到很多的子規(guī)則集；例如，假設(shè)規(guī)則集11中有50條分類規(guī)則，本步驟將規(guī)則集分成了三個(gè)子規(guī)則集，一個(gè)子規(guī)則集包括10條規(guī)則，另一個(gè)子規(guī)則集包括20條規(guī)則，另一個(gè)子規(guī)則集也包括20條規(guī)則。建樹器(TreeBuilder)執(zhí)行的建樹處理：本步驟是對(duì)“分組”步驟中得到的各個(gè)子規(guī)則集，分別使用建樹算法進(jìn)行決策樹的建立，每一個(gè)子規(guī)則集經(jīng)過建樹步驟都能得到對(duì)應(yīng)該子規(guī)則集的決策樹，如圖1中所示的其中一個(gè)決策樹13。決策樹是描述分類過程的一種數(shù)據(jù)結(jié)構(gòu)，圖2示例了一種決策樹的結(jié)構(gòu)形式。結(jié)合圖2，決策樹相當(dāng)于描述了一種分類過程，假設(shè)在圖2中所示的決策樹尋找二維空間點(diǎn)P(3,2)為例，該P(yáng)(3,2)表示待分類的網(wǎng)包中具有兩個(gè)維度，一個(gè)維度X是“源IP”，另一個(gè)維度Y是“目的端口號(hào)”(僅是舉例)，并且每一個(gè)維度都可以用數(shù)字來表示，源IP的取值代表數(shù)字是3，目的端口號(hào)取值代表數(shù)字是2，那么為P(3,2)尋找匹配的分類規(guī)則，即尋找源IP和目的端口號(hào)能與上述網(wǎng)包對(duì)應(yīng)維度的取值相同的分類規(guī)則。在圖2中，查找流程如下：從決策樹根節(jié)點(diǎn)開始沿樹進(jìn)行查找，在決策樹根節(jié)點(diǎn)位置進(jìn)行匹配，根節(jié)點(diǎn)Cut1以維度Y作為分割維度，以閾值3作為分割點(diǎn)，而P點(diǎn)在維度Y上是2，小于3，故查找邏輯轉(zhuǎn)向根節(jié)點(diǎn)的左孩子節(jié)點(diǎn)(leftchildnode)繼續(xù)遞歸地進(jìn)行查找；此時(shí)在節(jié)點(diǎn)Cut2處的分割維度為X，分割點(diǎn)是閾值2，而P點(diǎn)的維度X的取值是3，大于等于2，故查找邏輯轉(zhuǎn)向該節(jié)點(diǎn)的右孩子節(jié)點(diǎn)(rightchildnode)繼續(xù)遞歸地進(jìn)行查找，以此類推，查找邏輯順著虛線箭頭所指的路徑直至葉子節(jié)點(diǎn)得到匹配的分類規(guī)則是R5，即與P(3,2)表示的網(wǎng)包對(duì)應(yīng)的規(guī)則是R5。可見，在決策樹中涉及到兩個(gè)關(guān)鍵因素，即分割維度和分割點(diǎn)，按照分割維度和分割點(diǎn)依次將網(wǎng)包進(jìn)行分類。如上所述，在決策樹中可以使用“分割”(cut)，分割維度是根據(jù)決策樹進(jìn)行分類規(guī)則查找時(shí)用于指示查找路徑的規(guī)則維度信息，而分割點(diǎn)是在根據(jù)分割維度進(jìn)行規(guī)則查找時(shí)在該維度上的閾值，用于根據(jù)該閾值指示在該維度上的不同查找路徑。如圖1所示，上述的“分組”和“建樹”步驟，可以是均由中央處理器(CentralProcessingUnit，簡稱：CPU)執(zhí)行，由CPU執(zhí)行邏輯指令對(duì)規(guī)則集11進(jìn)行分組和建樹的處理，得到多個(gè)決策樹。并且，CPU可以將上述各個(gè)決策樹下發(fā)到硬件現(xiàn)場(chǎng)可編程門陣列(Field－ProgrammableGateArray，簡稱：FPGA)，由FPGA接收待分類的網(wǎng)包12，并根據(jù)CPU下發(fā)的決策樹進(jìn)行分類規(guī)則的查找。查找處理：本步驟是由FPGA執(zhí)行，在上一步驟的“建樹”中，CPU得到的分別對(duì)應(yīng)各個(gè)子規(guī)則集的決策樹，將分別下發(fā)到各個(gè)查找引擎(LookupEngine)14中，查找引擎14可以是負(fù)責(zé)根據(jù)決策樹進(jìn)行匹配規(guī)則查找的應(yīng)將。FPGA在接收到網(wǎng)包12后，各個(gè)查找引擎都將會(huì)根據(jù)各自的決策樹進(jìn)行查找，得到與網(wǎng)包12匹配的規(guī)則。最后各個(gè)查找引擎得到的分類規(guī)則都將送入優(yōu)先級(jí)仲裁器(PriorityArbitrator)15，由優(yōu)先級(jí)仲裁器按照分類規(guī)則的優(yōu)先級(jí)信息進(jìn)行排序，選取優(yōu)先級(jí)最高的分類規(guī)則作為與網(wǎng)包12匹配的分類規(guī)則輸出。例如可以是輸出匹配的分類規(guī)則的規(guī)則號(hào)(RuleID)，根據(jù)規(guī)則號(hào)再得到對(duì)應(yīng)的分類規(guī)則。在上述基本原理介紹的基礎(chǔ)上，下面描述本發(fā)明實(shí)施例的網(wǎng)包分類方法。圖3示例了一種網(wǎng)包分類方法的流程，可以包括：301、采用循環(huán)分組法對(duì)初始規(guī)則集進(jìn)行分組，生成預(yù)設(shè)數(shù)目的子規(guī)則集，所述循環(huán)分組法包括：由待分組的規(guī)則集集合中選取規(guī)則集交疊率最高的目標(biāo)規(guī)則集，根據(jù)切分點(diǎn)對(duì)所述目標(biāo)規(guī)則集進(jìn)行切分得到兩個(gè)子規(guī)則集，所述兩個(gè)子規(guī)則集中的其中一個(gè)子規(guī)則集的規(guī)則集交疊率小于另一個(gè)子規(guī)則集的規(guī)則集交疊率；將所述兩個(gè)子規(guī)則集放入所述規(guī)則集集合中，并繼續(xù)對(duì)規(guī)則集集合中的子規(guī)則集進(jìn)行切分，直至所述規(guī)則集集合中的子規(guī)則集的數(shù)目達(dá)到所述預(yù)設(shè)數(shù)目；302、分別對(duì)每一個(gè)子規(guī)則集進(jìn)行建樹，得到與子規(guī)則集對(duì)應(yīng)的決策樹，所述決策樹用于對(duì)網(wǎng)包進(jìn)行分類處理。其中，在圖3所示的流程中，主要是對(duì)上述的“分組”步驟進(jìn)行了改進(jìn)，在將規(guī)則集劃分為各個(gè)子規(guī)則集時(shí)，遵循如下規(guī)則：將大的規(guī)則集切分成一個(gè)較大的較簡單的子集、以及一個(gè)較小的較復(fù)雜的子集，按照這種規(guī)則集的切分規(guī)則進(jìn)行分組，將有助于降低用于進(jìn)行網(wǎng)包分類的決策樹的規(guī)模，縮短決策樹的生成時(shí)間。可選的，本實(shí)施例也可能會(huì)出現(xiàn)上述切分得到的兩個(gè)子集包括的分類規(guī)則數(shù)目相同的情況。這種分組規(guī)則的改進(jìn)對(duì)應(yīng)于圖1中的“分組器”部分的邏輯指令，這部分邏輯指令可以是存儲(chǔ)在CPU的存儲(chǔ)器中，并由CPU的處理器調(diào)用該指令執(zhí)行對(duì)規(guī)則集進(jìn)行分組的操作。如圖4所示，該分組器的邏輯指令對(duì)應(yīng)于存儲(chǔ)器中的分組模塊41，存儲(chǔ)器中還包括建樹模塊42，其中，分組模塊41用于執(zhí)行步驟301的處理，建樹模塊42用于執(zhí)行步驟302的處理。在步驟301中，可以采用“循環(huán)分組法”對(duì)初始的規(guī)則集進(jìn)行分組，得到預(yù)設(shè)數(shù)目的子規(guī)則集。結(jié)合參見圖5，示例了該循環(huán)分組法的原理，在圖5所示的循環(huán)分組法進(jìn)行規(guī)則集分組的操作中，將涉及到如下幾個(gè)基本概念，這些概念是對(duì)于一個(gè)規(guī)則集而言的，對(duì)于一個(gè)給定的規(guī)則集(RS，ruleset)來說，這些參數(shù)均是固定的。交疊率(overlap_rate,olr)：該參數(shù)是針對(duì)某條分類規(guī)則在某個(gè)維度而言的。對(duì)于一個(gè)指定維度D，該分類規(guī)則所在的規(guī)則集中的所有規(guī)則在這個(gè)維度上的分割點(diǎn)可以構(gòu)成一個(gè)分割點(diǎn)集合(例如，在圖2所示的例子中，維度X上的分割點(diǎn)2，維度Y上的分割點(diǎn)3等)，每兩個(gè)相鄰的分割點(diǎn)可以構(gòu)成一個(gè)封閉的分割區(qū)段，即分割區(qū)段是兩個(gè)分割點(diǎn)之間的區(qū)域。對(duì)于某條規(guī)則而言，該分類規(guī)則在所述維度上的取值所覆蓋的分割區(qū)段個(gè)數(shù)定義為該條規(guī)則在該維度上的交疊率olr，該交疊率的值為一個(gè)大于1的整數(shù)。平均交疊率(avg_olr)：該參數(shù)是針對(duì)某個(gè)維度而言的。對(duì)于一個(gè)指定維度D而言，所有分類規(guī)則在這個(gè)維度上的交疊率求和除以規(guī)則總數(shù)，被定義為維度D的平均交疊率。交疊率權(quán)重(p_olr)：該參數(shù)依然是針對(duì)某條規(guī)則在某個(gè)維度而言的。對(duì)于一個(gè)指定維度D而言，規(guī)則集中所有規(guī)則的交疊率均可以求出，假設(shè)規(guī)則集中有n_rules條分類規(guī)則，每條規(guī)則都有自己在該維度上的交疊率，則維度D上的交疊率個(gè)數(shù)也是n_rules個(gè)，將這些交疊率按照取值從小到大排序，其中規(guī)則r1可能排在的位置i∈(0,n_rules-1)，此時(shí)規(guī)則r1的交疊率權(quán)重p_olr定義為:p_olr＝((i+1)*100)/(n_rules)％。規(guī)則集的切分點(diǎn)(p_cr)：切分點(diǎn)包括兩個(gè)關(guān)鍵參數(shù)，即切分維度dim_c和切分點(diǎn)交疊率權(quán)重p_olr_c，并且，p_olr_c是對(duì)應(yīng)于dim_c指定的維度而言。假設(shè)對(duì)于一個(gè)選定的p_olr_c，將規(guī)則集劃分為兩個(gè)子規(guī)則集，分別為sub_l和sub_r，其中，sub_l中的每條分類規(guī)則在維度dim_c上的p_olr均小于等于p_olr_c，而sub_r中的每條分類規(guī)則在維度dim_c上的p_olr均大于p_olr_c。例如，可以將包含N條規(guī)則的規(guī)則集劃分為(N*p_olr_c)條規(guī)則的sub_l、以及(N*(1-p_olr_c))條規(guī)則的sub_r。即要確定切分點(diǎn)，則要確定切分維度和切分點(diǎn)交疊率權(quán)重，在該切分維度上，根據(jù)切分點(diǎn)交疊率權(quán)重將規(guī)則集劃分為各個(gè)子規(guī)則集。如上可以看到，在將一個(gè)規(guī)則集切分為兩個(gè)子規(guī)則集時(shí)，可以使用“切分”(split)，其中的切分維度是用于在該維度上對(duì)規(guī)則集中的各個(gè)分類規(guī)則進(jìn)行分組，而切分點(diǎn)是在上述切分維度上依據(jù)該切分點(diǎn)將規(guī)則集中的各個(gè)分類規(guī)則進(jìn)行分組的臨界位置。規(guī)則集交疊率(rs_olr)：該參數(shù)針對(duì)規(guī)則集而言。對(duì)于一個(gè)指定的規(guī)則集而言，其各個(gè)維度的平均交疊率avg_olr是確定的，將所有維度的不為1的avg_olr進(jìn)行平均則是規(guī)則集的rs_olr；例如，如果一個(gè)規(guī)則集的avg_olr為1，那么通常該規(guī)則集中的各個(gè)分類規(guī)則的交疊率都為1，否則，規(guī)則集的vg_olr不為1。這個(gè)參數(shù)可以衡量規(guī)則集整體的復(fù)雜程度。在圖5的循環(huán)分組法進(jìn)行的規(guī)則集分組中，將使用到上述的幾個(gè)概念。結(jié)合圖5以及圖6所示的分組流程進(jìn)行說明，包括：601、將待分組的規(guī)則集輸入規(guī)則集列表中；例如，待分組的規(guī)則集可以是圖1中的規(guī)則集11，圖5中的規(guī)則集列表(rs_list)可以是一個(gè)雙向鏈表，即按照?qǐng)D5所示的箭頭方向，由規(guī)則集列表中移出一個(gè)規(guī)則集后，經(jīng)過切分將其切分成兩個(gè)規(guī)則集，再插入到該列表中；接著再進(jìn)行循環(huán)，即繼續(xù)移出一個(gè)規(guī)則集并切分成兩個(gè)規(guī)則集，再插入，直至規(guī)則集列表中的規(guī)則集數(shù)目達(dá)到預(yù)設(shè)數(shù)目。本實(shí)施例可以將規(guī)則集列表中的規(guī)則集稱為子規(guī)則集(Sub_RS)，待分組的初始的規(guī)則集可以輸入到該規(guī)則集列表中，然后執(zhí)行上述的循環(huán)分組操作。602、由規(guī)則集列表中選取一個(gè)子規(guī)則集移出；例如，如果規(guī)則集列表中只有一個(gè)初始剛剛輸入的待分組的規(guī)則集，可能此時(shí)只有一個(gè)規(guī)則集，那就將該規(guī)則集取出即可；經(jīng)過分組后，規(guī)則集列表中的規(guī)則集的數(shù)目將至少為兩個(gè)，此時(shí)可以稱為子規(guī)則集，從該至少兩個(gè)子規(guī)則集中選擇一個(gè)子規(guī)則集取出。本步驟中，移出的子規(guī)則集可以遵循如下原則：以規(guī)則集交疊率rs_olr為依據(jù)，選取一個(gè)規(guī)則集交疊率rs_olr最大的子規(guī)則集，因?yàn)閞s_olr可以衡量該規(guī)則集整體的復(fù)雜程度，而本實(shí)施例更加傾向于將較為復(fù)雜的規(guī)則集切分為更小的子規(guī)則集進(jìn)行建樹。此外，本實(shí)施例也可以將上述的“規(guī)則集列表”稱為“待分組的規(guī)則集集合”，并且將選取移出的子規(guī)則集稱為“目標(biāo)規(guī)則集”，而由圖5中所示的“規(guī)則集選取器”來按照上述原則從待分組的規(guī)則集集合中移出一個(gè)目標(biāo)規(guī)則集，繼續(xù)執(zhí)行603。603、選取切分點(diǎn)，并根據(jù)切分點(diǎn)對(duì)目標(biāo)規(guī)則集進(jìn)行切分，得到第一子規(guī)則集和第二子規(guī)則集；例如，可以由圖5中的切分點(diǎn)選取器來選取切分點(diǎn)，并根據(jù)切分點(diǎn)來對(duì)規(guī)則集進(jìn)行一分為二的切分。本實(shí)施例中，目標(biāo)規(guī)則集將被切分點(diǎn)拆分成兩個(gè)子規(guī)則集，例如可以稱為第一子規(guī)則集和第二子規(guī)則集，其中，第一子規(guī)則集的規(guī)則集交疊率小于第二子規(guī)則集的規(guī)則集交疊率，并且，一般情況下，第一子規(guī)則集包括的分類規(guī)則數(shù)目會(huì)大于第二子規(guī)則集包括的分類規(guī)則數(shù)目，即根據(jù)切分點(diǎn)拆分得到的兩個(gè)子規(guī)則集，一個(gè)是較大較簡單的規(guī)則集，另一個(gè)是較小較復(fù)雜的規(guī)則集，這種分組方式能夠使得對(duì)于該規(guī)則集建樹的決策樹的規(guī)模得到縮小。在一個(gè)例子中，本實(shí)施例提供一種切分點(diǎn)的選取方式：如上面提到過的，切分點(diǎn)的確定涉及兩個(gè)關(guān)鍵因素，即切分維度dim_c和切分點(diǎn)交疊率權(quán)重p_olr_c。如圖7所示，本實(shí)施例中的分組模塊可以包括：因素選取單元71和規(guī)則切分單元72；其中，因素選取單元71，用于根據(jù)交疊率為1的規(guī)則的占比以及平均交疊率，選取切分維度，并將交疊率為1的位置作為切分點(diǎn)。例如，切分維度的選取中，可以采用兩參數(shù)加權(quán)方式，一個(gè)參數(shù)是該維度上交疊率為1的規(guī)則條數(shù)所占的比重，該參數(shù)表示的特征是簡單規(guī)則的占比，另一個(gè)參數(shù)是該維度上規(guī)則的平均交疊率；如果將上述的占比用“x”表示，將平均交疊率用“y”表示，那么每個(gè)維度都要計(jì)算w＝a*x+b*y，這就是兩個(gè)參數(shù)加權(quán)，權(quán)重值a和b可以根據(jù)實(shí)際情況設(shè)定，根據(jù)對(duì)各個(gè)維度計(jì)算得到的w進(jìn)行比較，選取w值最大的維度作為切分維度，因?yàn)楸緦?shí)施例傾向于盡量選擇簡單規(guī)則占比最多的維度，并且復(fù)雜度最大的維度，所以才采用兩參數(shù)加權(quán)的方式來計(jì)算。規(guī)則切分單元72，用于在因素選取單元71確定的切分維度上，根據(jù)切分點(diǎn)交疊率為1，將目標(biāo)規(guī)則集中的交疊率等于1的分類規(guī)則劃分入兩個(gè)子規(guī)則集中的其中一個(gè)子規(guī)則集，并將交疊率大于1的分類規(guī)則劃分入兩個(gè)子規(guī)則集中的另一個(gè)子規(guī)則集，例如是將交疊率等于1的分類規(guī)則劃分入第一子規(guī)則集，將交疊率大于1的分類規(guī)則劃分入第二子規(guī)則集。使用以上方式得到的p_cr對(duì)規(guī)則集進(jìn)行分組，則得到的兩個(gè)子規(guī)則集中有一個(gè)將具有特殊的性質(zhì)，即在一個(gè)特定的dim上(p_cr指定的dim)上的avg_olr參數(shù)為1。604、將第一子規(guī)則集和第二子規(guī)則集放入規(guī)則集列表中；例如，圖5中將根據(jù)切分點(diǎn)拆分規(guī)則集得到的兩個(gè)子規(guī)則集，又插入到規(guī)則集列表中，這樣規(guī)則集列表中的子規(guī)則集的數(shù)目也增加。605、判斷規(guī)則集列表中的子規(guī)則集的數(shù)目，是否達(dá)到預(yù)設(shè)數(shù)目；例如，本步驟中，如果判斷結(jié)果是已經(jīng)達(dá)到預(yù)設(shè)數(shù)目，則本次規(guī)則集分組的流程結(jié)束，不再進(jìn)行循環(huán)操作；如果判斷結(jié)果是尚未達(dá)到預(yù)設(shè)數(shù)目，則返回執(zhí)行602，繼續(xù)進(jìn)行循環(huán)分組，直至規(guī)則集列表的子規(guī)則集的數(shù)目達(dá)到預(yù)設(shè)數(shù)目。在完成分組操作后，還可以繼續(xù)由建樹模塊分別對(duì)每一個(gè)子規(guī)則集進(jìn)行建樹，得到與子規(guī)則集對(duì)應(yīng)的決策樹，所述決策樹用于對(duì)網(wǎng)包進(jìn)行分類處理。例如，在FPGA中，對(duì)待分類的網(wǎng)包，可以分別根據(jù)每一個(gè)決策樹進(jìn)行匹配，得到至少一個(gè)分類規(guī)則，選取至少一個(gè)分類規(guī)則中的優(yōu)先級(jí)最高的規(guī)則作為目標(biāo)規(guī)則，并根據(jù)該目標(biāo)規(guī)則對(duì)所述網(wǎng)包進(jìn)行處理。在另一個(gè)實(shí)施例中，本實(shí)施例的網(wǎng)包分類方法，還可以對(duì)“建樹”步驟進(jìn)行改進(jìn)，設(shè)計(jì)一種快速建樹算法。如上述圖2中提到的，建樹過程涉及到兩個(gè)關(guān)鍵因素，即分割維度和分割點(diǎn)，決策樹實(shí)際上是根據(jù)分割維度和分割點(diǎn)生成的描述分類過程的數(shù)據(jù)結(jié)構(gòu)。本實(shí)施例中，對(duì)于分割維度的選擇遵循重疊度最小原則，即盡量地選擇規(guī)則最分散的維度進(jìn)行分割，而直觀上來看重疊度小的一個(gè)直接表現(xiàn)就是分割點(diǎn)數(shù)目多，所以本實(shí)施例選擇分割點(diǎn)數(shù)目最多的維度作為分割維度，比如針對(duì)當(dāng)前規(guī)則集的各個(gè)維度分別統(tǒng)計(jì)該維度的分割點(diǎn)數(shù)目，選取分割點(diǎn)數(shù)目最多的維度作為分割維度。同時(shí)直觀的感受，將分割維度中的所有分割點(diǎn)在分割點(diǎn)數(shù)目上的中間位置作為目標(biāo)分割點(diǎn)，從該目標(biāo)分割點(diǎn)進(jìn)行分割會(huì)使得左右兩個(gè)子規(guī)則集的規(guī)則數(shù)目接近相等。例如，在具體實(shí)施中，可以將分割維度上的各個(gè)分割點(diǎn)進(jìn)行排序，比如為每個(gè)分割點(diǎn)進(jìn)行標(biāo)識(shí)，并按照標(biāo)識(shí)進(jìn)行排序，大致選取位于排序中部的位置作為目標(biāo)分割點(diǎn)。需要說明的是，這里的目標(biāo)分割點(diǎn)只是一個(gè)大概的位置表述，并不一定有個(gè)分割點(diǎn)使得左右兩個(gè)子規(guī)則集的規(guī)則數(shù)目完全相等，只要接近相等即可。在對(duì)子規(guī)則集進(jìn)行建樹的過程中，可以使用上述的分割維度和分割點(diǎn)的確定原則對(duì)子規(guī)則集進(jìn)行分割。例如，假設(shè)待建樹的子規(guī)則集包括11條分類規(guī)則，對(duì)于該子規(guī)則集，可以根據(jù)上述的原則確定分割維度和分割點(diǎn)進(jìn)行分割，得到兩個(gè)分割子集，例如可以稱為第一子集(例如，包括5條規(guī)則)和第二子集(例如，包括6條規(guī)則)。接著，分別對(duì)于第一子集和第二子集繼續(xù)分割，每個(gè)子集在分割時(shí)都仍然需要確定分割維度和分割點(diǎn)，確定原則同上述的原則，比如，在對(duì)其中的第一子集繼續(xù)分割時(shí)，同樣是選取分割點(diǎn)最多的維度作為分割維度，從所述分割維度中選擇目標(biāo)分割點(diǎn)進(jìn)行分割，目標(biāo)分割點(diǎn)位于所述分割維度中所有分割點(diǎn)的中間位置。以此類推，直至分割得到的每個(gè)分割子集在任一維度上包括一個(gè)分割區(qū)段，該最終分割得到的子集可以包括至少一個(gè)分類規(guī)則。上述的建樹原理可以應(yīng)用于圖1的建樹器，建樹器對(duì)應(yīng)的是用于實(shí)現(xiàn)針對(duì)子規(guī)則集進(jìn)行建樹的邏輯指令，分別對(duì)每一個(gè)子規(guī)則集進(jìn)行建樹，這些邏輯指令也可以稱為建樹模塊。圖8示例了該建樹模塊的結(jié)構(gòu)，可以包括：因素選擇單元81和決策樹建立單元82，其中，因素選擇單元81，用于進(jìn)行快速分割法中的分割維度和目標(biāo)分割點(diǎn)的選取，包括：選取分割點(diǎn)最多的維度作為分割維度，從所述分割維度中選擇用于進(jìn)行分割的目標(biāo)分割點(diǎn)，其中，所述目標(biāo)分割點(diǎn)位于所述分割維度中所有分割點(diǎn)的中間位置；決策樹建立單元82，用于采用所述快速分割法對(duì)所述子規(guī)則集進(jìn)行分割，直至分割后形成的每個(gè)分割子集在任一維度上包括一個(gè)分割區(qū)段；其中，在根據(jù)因素選擇單元81選取的分割維度和目標(biāo)分割點(diǎn)分割所述子規(guī)則集時(shí)，得到兩個(gè)分割子集。上述的快速建樹方式能夠加快建樹過程的執(zhí)行效率，但是需要說明的是，在使用步驟301中的分組方式進(jìn)行分組后，可以運(yùn)用其他多種建樹算法進(jìn)行建樹均可以達(dá)到減小決策樹規(guī)模的效果，并不僅僅局限于上述的快速建樹方式。此外，建樹模塊在進(jìn)行建樹時(shí)，還可以根據(jù)不同的規(guī)則集采用不同的建樹算法，例如，建樹模塊中的因素選擇單元可以判斷待建樹的子規(guī)則集的規(guī)則集交疊率是否小于某個(gè)設(shè)定的閾值，該閾值可以是用于區(qū)分較大較簡單規(guī)則集與較小較復(fù)雜規(guī)則集的數(shù)值；如果該子規(guī)則集的規(guī)則集交疊率小于閾值，表示該子規(guī)則集是較大較簡單規(guī)則集，可以采用上述的快速建樹方式確定分割維度和分割點(diǎn)并進(jìn)行建樹，而如果該子規(guī)則集的規(guī)則集交疊率大于閾值，則表示該子規(guī)則集是較小較復(fù)雜規(guī)則集，則可以使用針對(duì)高復(fù)雜度的建樹算法進(jìn)行建樹(例如hypersplit，或者qualityfirst)，這樣做既保證了復(fù)雜規(guī)則集的建樹質(zhì)量，又兼顧了簡單規(guī)則集的建樹速度。在又一個(gè)實(shí)施例中，本實(shí)施例的網(wǎng)包分類方法，為了進(jìn)一步縮小決策樹的規(guī)模，在生成預(yù)設(shè)數(shù)目的子規(guī)則集之后，分別對(duì)每一個(gè)子規(guī)則集進(jìn)行建樹之前，對(duì)于每一個(gè)子規(guī)則集進(jìn)行補(bǔ)洞：在該子規(guī)則集中增加一條黑洞規(guī)則，所述黑洞規(guī)則包括N個(gè)維度，N是自然數(shù)，所述N個(gè)維度中包括n個(gè)非敏感維度，n大于等于1且小于N。該補(bǔ)洞的處理可以由CPU上的補(bǔ)洞模塊對(duì)應(yīng)的邏輯執(zhí)行。上述對(duì)于子規(guī)則集的補(bǔ)洞執(zhí)行的是“部分補(bǔ)洞”方式，部分補(bǔ)洞即所述的黑洞規(guī)則在一部分維度上表現(xiàn)為非敏感維度，剩余的維度設(shè)置為全*特性；其中，“非敏感維度”的特點(diǎn)是，在建樹的過程中會(huì)忽略黑洞規(guī)則的非敏感維度，黑洞規(guī)則在非敏感維度上不產(chǎn)生分割點(diǎn)，進(jìn)而也不產(chǎn)生分割區(qū)段，但為了保證黑洞規(guī)則在其余敏感維度(即*特性的維度)的正確性，當(dāng)規(guī)則裂變發(fā)生在非敏感維度時(shí)，復(fù)制該黑洞規(guī)則至兩個(gè)分支中。由于部分補(bǔ)洞規(guī)則中包括非敏感維度，減少了分割點(diǎn)的產(chǎn)生數(shù)目，將減小決策樹的規(guī)模，加快決策樹的生成效率。圖9示例了一種傳統(tǒng)方式中的全*補(bǔ)洞方式下的決策樹，圖10示例了一種部分補(bǔ)洞方式下的決策樹，其中，分類規(guī)則Rule0中的陰影部分是規(guī)則在相應(yīng)維度Dim上占據(jù)的部分。本實(shí)施例針對(duì)一條相同的規(guī)則R0(其中dim0的取值為[2]，dim1的取值為[1]，dim2的取值為[1,2]，如圖中的陰影部分所示)，圖9和圖10分別模擬全*補(bǔ)洞和部分補(bǔ)洞機(jī)制分別對(duì)其進(jìn)行建樹操作，得到的決策樹見圖中所示。可以看到，對(duì)于全*補(bǔ)洞而言，分別要在D2維度分割一次、在D0和D1維度各分割兩次(決策樹中的非葉子節(jié)點(diǎn)標(biāo)識(shí)分割點(diǎn)，如圖9中的根節(jié)點(diǎn)D2,2表示的含義是在分割維度dim2上的分割點(diǎn)2的位置進(jìn)行分割，左側(cè)包含[0,1]，右側(cè)包含[2,3])。直至各個(gè)子樹達(dá)到終止分割的條件(子樹的分割節(jié)點(diǎn)數(shù)目小于等于2)，得到的決策樹共有5個(gè)內(nèi)部節(jié)點(diǎn)和6個(gè)葉子節(jié)點(diǎn)。而對(duì)于部分補(bǔ)洞機(jī)制而言，在D2維度的2位置進(jìn)行一次分割后，左右子樹均已達(dá)到終止分割的條件(左子樹的D0和D1由于是部分補(bǔ)洞，補(bǔ)洞規(guī)則不產(chǎn)生分割點(diǎn)和分割區(qū)段)，此時(shí)得到的決策樹共有1個(gè)內(nèi)部節(jié)點(diǎn)和2個(gè)葉子節(jié)點(diǎn)。顯見，在針對(duì)相同的規(guī)則集情況下，部分補(bǔ)洞可以大幅度縮減決策樹本身的規(guī)模。當(dāng)一條黑洞規(guī)則采用部分補(bǔ)洞方式時(shí)，可以通過該黑洞規(guī)則的一些特征來識(shí)別到這是部分補(bǔ)洞(而不是全補(bǔ)洞)。比如，對(duì)于黑洞規(guī)則中的非敏感維度，可以使用一個(gè)特殊的范圍表示法例如[1,0)，也就是說，規(guī)則中的每個(gè)維度通常都會(huì)有個(gè)取值范圍，一般來說取值范圍表示時(shí)采用類似[0,1)這種由小數(shù)值到大數(shù)值的區(qū)間方式，而上述[1,0)表示顯然不合常規(guī)即很特殊，則可以據(jù)此識(shí)別這是非敏感維度，只要識(shí)別到非敏感維度，那么根據(jù)非敏感維度在規(guī)則所有維度中所占的比例可以確定是否是部分補(bǔ)洞，即如果該黑洞規(guī)則并非所有的維度都是非敏感維度那么該規(guī)則采用的是部分補(bǔ)洞?？梢姡诓糠盅a(bǔ)洞規(guī)則的識(shí)別中，只要能識(shí)別到非敏感維度即可，又比如，可以使用位圖方法，假設(shè)黑洞規(guī)則包括八個(gè)維度，每個(gè)維度用一個(gè)比特位表示，“0”表示非敏感維度，“1”表示敏感維度，則據(jù)此可以識(shí)別規(guī)則是否是部分補(bǔ)洞。上述僅示例了兩種方式，具體實(shí)施中也可以采用其他方式。此外，由于上述的非敏感維度使得最終決策樹匹配輸出的規(guī)則在非敏感維度上沒有起作用，所以還需要一次key比較操作才能確定是否匹配上；即在非敏感維度上并沒有實(shí)際比較網(wǎng)包是否與最終輸出規(guī)則對(duì)應(yīng)字段匹配，在最后還要專門比較下這些非敏感維度對(duì)應(yīng)的字段是否與最終規(guī)則匹配。例如，假設(shè)在如下七個(gè)維度表現(xiàn)為非敏感特性即非敏感維度(實(shí)際實(shí)施中可以是任意個(gè)數(shù)的任意維度，不局限于這些維度)：SIP、DIP、SPORT、DPORT、PROT、VPNID、TOS，那么實(shí)際上經(jīng)過決策樹的分類查找到的最終輸出的規(guī)則，是否與待分類的網(wǎng)包在這些字段上的取值相同，還要專門比較和確定；由此形成“部分補(bǔ)洞+key比較”的機(jī)制。上述的key比較處理過程可以由FPGA的查找引擎執(zhí)行，在根據(jù)引擎上的決策樹找到匹配的規(guī)則后，再針對(duì)規(guī)則的非敏感維度檢查對(duì)應(yīng)字段是否與待分類的網(wǎng)包字段相匹配，保證查找正確性且減小決策樹的規(guī)模。在又一個(gè)實(shí)施例中，為了提高本實(shí)施例的網(wǎng)包分類方法所能夠支持的決策樹規(guī)模和規(guī)則集數(shù)目，本實(shí)施例將一部分決策樹的節(jié)點(diǎn)信息存儲(chǔ)在靠近FPGA的BRAM之外的空間，如果將BRAM稱為第一存儲(chǔ)器，可以將所述的FPGA之外的空間稱為第二存儲(chǔ)器，該第二存儲(chǔ)器例如是動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(DynamicRandomAccessMemory，簡稱：DRAM)。圖11示例了一種決策樹的結(jié)構(gòu)，在該決策樹中，BRAMNode是存儲(chǔ)在BRAM中的節(jié)點(diǎn)，而圖11所示的“7層節(jié)點(diǎn)”是存儲(chǔ)在DRAM中的節(jié)點(diǎn)，需要說明的是，圖中的7層節(jié)點(diǎn)只是一個(gè)示例，可以將任意高度小于等于7的子樹節(jié)點(diǎn)存儲(chǔ)在DRAM中，比如當(dāng)硬件性能提升時(shí)，該節(jié)點(diǎn)的層數(shù)可能多于7層。再結(jié)合參見圖12，本實(shí)施例還采用了節(jié)點(diǎn)合并技術(shù)，將幾層決策樹節(jié)點(diǎn)合并為一個(gè)節(jié)點(diǎn)即MergedNode，該MergedNode可以稱為決策樹中的融合節(jié)點(diǎn)，該融合節(jié)點(diǎn)包括的節(jié)點(diǎn)數(shù)量為至少兩個(gè)，在本實(shí)施例中可以最多為七個(gè)，即上述的7層節(jié)點(diǎn)(決策樹三層共1+2+4＝7個(gè)節(jié)點(diǎn))。選取融合節(jié)點(diǎn)包括的節(jié)點(diǎn)數(shù)量，可以依據(jù)在訪問DRAM時(shí)一次最多讀取的節(jié)點(diǎn)數(shù)量；由于DRAM隨機(jī)訪問的總性能小于FPGA內(nèi)部的BRAM，且延時(shí)也高于BRAM，因此要根據(jù)系統(tǒng)訪問性能和延遲要求調(diào)整DRAM的訪問次數(shù)，將查找性能和時(shí)延控制在合適的范圍，上述的節(jié)點(diǎn)合并可以使得在訪問DRAM時(shí)一次性可以讀取多個(gè)節(jié)點(diǎn)的信息，提高訪問性能且減少時(shí)延。其中，融合節(jié)點(diǎn)的節(jié)點(diǎn)信息是存儲(chǔ)在第二存儲(chǔ)器DRAM中，例如，每個(gè)融合節(jié)點(diǎn)作為一個(gè)節(jié)點(diǎn)，可以使用256bit存儲(chǔ)在DRAM中(該參數(shù)由DRAM控制器決定)，其中包含三層決策樹節(jié)點(diǎn)信息，即最多存儲(chǔ)兩層中間節(jié)點(diǎn)(3個(gè)決策樹節(jié)點(diǎn))加一層葉子節(jié)點(diǎn)(4個(gè)決策樹節(jié)點(diǎn))，例如圖12中的MergedNode(L2)節(jié)點(diǎn)即保存了兩層中間節(jié)點(diǎn)和一層葉子節(jié)點(diǎn)的節(jié)點(diǎn)信息，最后一層是四個(gè)決策樹葉子節(jié)點(diǎn)的規(guī)則索引信息；而對(duì)于中間層的節(jié)點(diǎn)例如MergedNode(L0)和MergerNode(L1)而言，只能存儲(chǔ)2層決策樹信息。需要說明的時(shí)，在FPGA上的第一存儲(chǔ)器中，節(jié)點(diǎn)信息中還可以包括索引信息，用于在根據(jù)決策樹進(jìn)行分類時(shí)通過所述索引信息指向所述第二存儲(chǔ)器中的節(jié)點(diǎn)信息；比如在決策樹的分類規(guī)則查找過程中，最初在第一存儲(chǔ)器中查找，而后根據(jù)該索引信息轉(zhuǎn)至第二存儲(chǔ)器查找。例如，上述的DRAM中保存的MergedNode結(jié)構(gòu)寬度為256bit，它所承載的信息最多包含3個(gè)中間節(jié)點(diǎn)和4個(gè)葉節(jié)點(diǎn)，其中包括存儲(chǔ)4個(gè)葉節(jié)點(diǎn)的規(guī)則索引以及中間節(jié)點(diǎn)的相關(guān)信息。此外，還可以通過上述256bit比特中的其中四個(gè)比特來表示4個(gè)葉子節(jié)點(diǎn)是否有效。如上所述的，通過將融合節(jié)點(diǎn)外推到DRAM中存儲(chǔ)，使得決策樹的規(guī)模能夠大幅度提升，進(jìn)而使得能夠支持更大規(guī)格的規(guī)則集，同時(shí)引入的DRAM查找時(shí)延依然在可控制的范圍內(nèi)。并且如上所述的，上述的網(wǎng)包分類裝置可以還包括信息發(fā)送模塊，如圖13所示，通過信息發(fā)送模塊43將所述決策樹的節(jié)點(diǎn)信息發(fā)送至存儲(chǔ)器，所述存儲(chǔ)器包括位于FPGA上的第一存儲(chǔ)器和位于FPGA之外的第二存儲(chǔ)器，所述決策樹中的融合節(jié)點(diǎn)的節(jié)點(diǎn)信息放入所述第二存儲(chǔ)器中；所述融合節(jié)點(diǎn)包括的節(jié)點(diǎn)數(shù)量為至少兩個(gè)。此外，本發(fā)明實(shí)施例的網(wǎng)包分類方法，分別對(duì)網(wǎng)包分類過程中的分組、建樹等步驟進(jìn)行了改進(jìn)；實(shí)際實(shí)施中，可以僅采用其中一個(gè)方面的改進(jìn)，并不一定所有方面的改進(jìn)全部實(shí)行，比如，可以僅將融合節(jié)點(diǎn)的節(jié)點(diǎn)信息存儲(chǔ)在DRAM中(當(dāng)然要記錄DRAM中的節(jié)點(diǎn)與BRAM中的節(jié)點(diǎn)之間的節(jié)點(diǎn)關(guān)系，使得在決策樹查找時(shí)能夠由BRAM跳轉(zhuǎn)到DRAM中查找)，或者，也可以僅對(duì)黑洞規(guī)則進(jìn)行部分補(bǔ)洞，或者，僅實(shí)現(xiàn)快速建樹算法等。下面對(duì)比已有的HyperSplit算法方案和本實(shí)施例的方案對(duì)相同規(guī)則集處理所消耗的時(shí)間、生成決策樹占用的資源情況。如圖14和圖15所示，其中，圖13是對(duì)比算法(HyperSplit)和改進(jìn)算法(本實(shí)施例的方案)在決策樹的生成時(shí)間的對(duì)比，并假設(shè)規(guī)則分組時(shí)最終的子規(guī)則集的預(yù)設(shè)數(shù)目是4，即算法將原始規(guī)則集拆分為4個(gè)子規(guī)則集后進(jìn)行建樹；圖15是對(duì)比算法和改進(jìn)算法在生成的決策樹的節(jié)點(diǎn)個(gè)數(shù)的對(duì)比。可以看到，本實(shí)施例提出的改進(jìn)算法相較于對(duì)比算法而言，在時(shí)間消耗和決策樹節(jié)點(diǎn)數(shù)量都有較為明顯的優(yōu)勢(shì)，其中，針對(duì)fw1_32k這個(gè)規(guī)則集的建樹時(shí)間提升接近3個(gè)數(shù)量級(jí)，而規(guī)則集節(jié)點(diǎn)數(shù)目則減少了接近4個(gè)數(shù)量級(jí)。其中的fw2_256k、ipc2_256k這四個(gè)規(guī)則集，實(shí)際上對(duì)比算法運(yùn)行了相當(dāng)長的時(shí)間之后由于消耗RAM過大被OS自動(dòng)結(jié)束了，所以無法得知其具體的參數(shù)，而使用本實(shí)施例提出的改進(jìn)算法由于縮短了建樹時(shí)間均能建樹成功，運(yùn)行時(shí)間和決策樹規(guī)模均在可控范圍內(nèi)?？梢钥闯?，本實(shí)施例的網(wǎng)包分類方法相較于已有的HyperSplit算法，無論是建樹時(shí)間還是生成的決策樹規(guī)模來說都有較大的提升，并且針對(duì)HyperSplit無法處理的規(guī)則集，本實(shí)施例的方法都可以應(yīng)對(duì)，由于縮短了建樹時(shí)間所以不會(huì)被OS自動(dòng)結(jié)束掉，而是可以成功生成決策樹并且減小了決策樹的模塊。所述功能如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器(ROM，Read-OnlyMemory)、隨機(jī)存取存儲(chǔ)器(RAM，RandomAccessMemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。當(dāng)前第1頁1 2 3