مهدی عباسی

دسته بندی بسته، پردازش اساسی در پردازنده های شبکه ای است. در این فرآیند،بسته های ورودی از طریق تطبیق با مجموعه ای از فیلتر ها به جریان های مشخص طبقه بندی می شوند.روش هایدسته بندی به دو دسته سخت افزاری و نرم افزاری طبقه بندی می شود. روش سخت افزاری با وجود سرعت بالا هزینه زیادی دارد. در مقابل روش نرم افزای قابلیت توسعه پذیری بیشتر را با هزینه کمتر ارائه می دهد. در این پژوهش الگوریتم درخت سلسله مراتبی که یک روش نرم افزاری مبتنی بر درخت تصمیم است، در خوشه پردازنده گرافیکی،خوشه پردازنده مرکزی و خوشه ترکیبیموازی سازیمی شود.برای پیاده سازی الگوریتم درخت سلسله مراتبی روی خوشه هایمذکور، سناریو و حالت های مختلفی ارائه می شود. در خوشه پردازنده مرکزی بهترین سناریو، سناریو است که از ترکیب OpenMPوMPI استفاده می کند. در روش خوشه پردازنده گرافیکی سه سناریو مطرح شد. در سناریو اول از حافظه سراسری برای نگهداری مجموعه فیلتر ها، درخت و بسته ها استفاده می شود،دراین حالت به تسریع 54 برابرنسبت حالت ترتیبی می رسد. در سناریو دوم از حافظه اشتراکی استفاده می شود، برای استفاده از حافظه اشتراکی درخت سلسله مراتبی مذکور را به زیر درخت های تقسیم کرده تا در هر دو سیستم کپی شوند. در این سناریو به دلیل افزایش تعداد درخت ها میزان تسریع کاهش پیدا می کند. برای افزایش تسریع در حافظه اشتراکی، در سناریو سوم مجموعه فیلتر ها را طوری انتخاب می کنیم که درخت سلسله مراتبی آن در حافظه اشتراکی جای گیرد در این حالت به تسریع 12 برابری نسبت به حالت استفاده از حافظه سراسری دست خواهیم یافت. اگر تعداد فیلتر ها کوچک و درخت متناظر با آن در حافظه اشتراکی جای گیرد، بهترین راه کار استفاده از حافظه اشتراکی خوشه گرافیکی است.در روش خوشه ترکیبی لازم است که بسته ها بین پردازنده مرکزی و گرافیکی تقسیم شوند. برای این کار که نسبت توان پردازشی پردازنده گرافیکی به مرکزی به دست آورده می شود. در روش خوشه ترکیبی دو سناریو مطرح شد در سناریو اول از مدل برنامه نویسی MPI+CUDA و در سناریو دوم از مدل MPI+CUDA+OpenMP استفاده می شود. تسریع این دو سناریور تقریباً با هم برابر می باشد.در این روش، سناریو دوم به دلیل استفاده از نخ به جای پروسه برای دسته بندی میزان مصرف حافظه کمتری دارد. استفاده ازخوشه ترکیبی نیز در مقایسه با خوشه پردازنده گرافیکی 4/1 م