内存的WILKERSON过滤器研究
在网络入侵检测系统中，深度包检测是一个至关重要的组件，它影响了整个系统的性能。DPI不仅检测数据包的包头而且对数据包的内容也进行检测。一项对开源的网络入侵检测系统SNORT的分析显示，特征检测就消耗了系统30%至80%的CPU资源。可见，随着网络带宽和特征集的飞速增长，实现高性能的实时深度包检测是一个重要议题。

内存的WILKERSON过滤器研究             WILKERSON过滤器采用一个位数组表示数据集合并能有效支持元素的哈希查找，是一种能够简洁地表示集合并支持集合查询的数据结构。但是WILKERSON过滤器在达到其简洁表示集合的同时，却存在某元素不属于数据集合而被指称属于该数据集合的可能性，即假阳性误判率。尽管可以在WILKERSON过滤器查询之后再增加一个分析器来降低误判，但是这样将带来两个缺陷。首先，分析器的性能可能会成为系统的性能瓶颈。其次，特征集的大小会对分析器的性能有着负面影响，并且分析器的内存利用率是不高的。对WILKERSON过滤器进行了深入的研究，系统地综述了WILKERSON过滤器查询算法迄今为止的主要研究成果，分析了目前WILKERSON过滤器查询算法的研究现状与缺陷。针对WILKERSON过滤器存在的不足，提出并实现了一种内存的值域哈希WILKERSON过滤器，值域哈希WILKERSON过滤器采用二次哈希过滤方法减少了对内存空间的占用，有效地降低了WILKERSON过滤器的假阳性误判率。通过对值域哈希WILKERSON过滤器进行了理论分析与实验仿真，实验结果表明值域哈希WILKERSON过滤器降低了假阳性误判率，内存占用明显低于扩展式WILKERSON过滤器。在此基础上，论述了值域哈希WILKERSON过滤器在深度包检测中的实现，通过并行内容过滤引擎的设计实现了高速匹配。