Single-Instruction-Multiple-Data Instruction-Set-Based Heat Ranking Optimization for Massive Network Flow

doi:10.3390/electronics12245026

Single-Instruction-Multiple-Data Instruction-Set-Based Heat Ranking Optimization for Massive Network Flow

2023-12-16

0

OA

AI

DOI：10.3390/electronics12245026

原文链接

原文求助

摘要

En 中文

为了应对巨大的流量规模并减少流量统计的内存开销，基于Sketch算法的流量统计方法已成为流量统计的研究热点。本文研究了基于Sketch算法的top-k流统计问题，并提出了一种利用Sketch算法估算大规模网络流量中流热度并使用单调排序算法识别热度最高的第k个流的方法。考虑到在Sketch算法实现中应用多个哈希函数的性能难题，本文采用了单指令多数据（SIMD）指令集以提高Sketch算法的性能，使得SIMD指令能够单步处理多个数据片段，同时实现多个哈希操作，并同时对多个流表进行比较和排序。因此，执行任务的吞吐量得到提升。首先，将数据流的元素以向量的形式进行描述和存储，并通过SIMD指令实现数据向量的构建、分析和操作。其次，将多哈希操作简化为单次向量操作，从而降低Sketch算法的CPU计算资源消耗。同时，利用SIMD指令集优化了单调排序算法中的流表并行比较操作。最后，使用SIMD指令集优化了Sketch算法和top-k排序算法程序中的函数，并对优化后的代码进行了测试和分析。实验结果表明，与原始版本相比，高级向量扩展（AVX）指令优化版本的耗时显著减少。当KEY长度为96字节时，多哈希函数指令在整个Sketch算法中所占比例较小，优化后的AVX版本耗时约为原始版本的67.2%。随着KEY长度逐渐增加到256字节，优化后的AVX版本耗时降至原始版本的53.8%。仿真结果表明，AVX优化算法在提高网络流测量效率方面是有效的。

Single-Instruction-Multiple-Data Instruction-Set-Based Heat Ranking Optimization for Massive Network Flow

摘要

期刊

机构

引用论文