فرآیند دسته بندی بسته های ورودی به جریانهای مختلف در ابزارهای پردازشگر شبکه ای، دسته بندی بسته ها نامیده میشود. دسته بندی بستته ها نقش بسزایی در بهبود عملکرد تجهیزات شبکهای ازجمله مسیریا ها، دیواره های آتش، سیستمهای تشخیص نفوذ ایفا میکند. دسته بندی بسته ها بر اساس مجموعه قوانین خط مشی الهام میگیرد. از آنها که ممکن است یک بسته با مجموعه ای از قوانین منطبق شود، سیاست مرتبط با قانون با اولویت بالاتر بر آن بسته اعمال میشود. با توجه به افزایش تعداد قوانین دسته بندی و حجم بالای ترافیک عبوری و نیز پهنای باند بالای لینکهای شبکه، لزوم تسریع عمل دستهبندی آشکار میشود. با این حال، الگوریتمهای دستهبندی استفاده کننده از ساختار داده ایستا، الگوی رفتاری ترافیک ورودی را در بهینه سازی ساختار داده جستجو در نظر نمی گیرند. در این پژوهش، ویژگیهای آماری ترافیک ورودی را در نظر گرفته و از داده ساختارهای کمکی ترافیک آگاه در کنار داده ساختارهای اصلی استتفاده نمودهایم. ازآنهاکه حهم غالب ترافیک اینترنت، مربوط به جریانهای بلندمدت است، برای مدت زمانی نه چندان کوتاه، اکثر مطابقتهای قوانین در زیر درختهای مشخصی از درخت جستهو قرار دارند. برای بهرهگیری از این ویژگی، در این پژوهش از ساختار داده درخت AVL برای نگهداری قوانین دسته بند و از حدهای بالا و پایین مهموعه قوانین بهعنوان گرههای درخت جستجو استفاده شده است. در اینها در هر گره از یک شمارنده برای نگهداری تعداد بستته های منطبق شده و به دست آوردن قوانین با فراوانی بالا استفاده شده است. در بازههای زمانی ثابت و به صورت آنلاین با استفاده از قوانین با فراوانی بالا، بازسازی ساختار داده کمکی ترافیک آگاه صورت میگیرد. با استفاده از ارزیابیها نشان دادیم که با افزایش کمی بسته های آزمون، نرخ بهره الگوریتم دسته بندی ترافیک آگاه نسبت به الگوریتم دسته بندی پایه و نرخ برخورد درختهای قوانین پرتکرار افزایش مییابد. همچنین نشان داده ایم که دسته بندی بسته ترافیک آگاه با استفاده از قوانین پرتکرار میتواند بهطور قابلتوجهی میانگین تعداد دفعات دسترسی به حافظه را کاهش دهد و درنتیجه موجب افزایش سرعت جستجو شود.
