[发明专利]高性能智能路由器学习型索引数据结构的训练方法和芯片

说明书

本发明公开了一种高性能智能路由器学习型索引数据结构，包含输入单元、模型单元和输出单元。输入单元将每一条索引数据拆分为若干子向量，然后对所有子向量中相同位置的元素执行按位异或运算，得到对应的输入向量。模型单元用于训练、预测累积分布函数值，并设计为由小型简单的神经网络组成的塔式两级结构。输出单元则将已预测的累积分布函数值乘映射表中槽的总个数，得到映射表中的映射位置，随后根据该位置所在部分对应的基地址和该位置中记录的实际存储器地址偏移量，求得最终索引地址。该索引数据结构能够在保证数据检索速度的基础上提升存储效率，其训练方法能够针对路由表数据特点实现快速稳定的神经网络训练。

技术领域

本发明属于高性能路由器索引数据结构设计领域，特别针对路由器中索引数据的快速检索和高效存储问题。

背景技术

随着互联网用户数量的不断扩大，虚拟现实、全息通信等新的互联网应用在传统行业的不断呈现，雾计算、人工智能等创新技术和计算模式的不断发展，当今互联网单位时间内需要处理的数据量急剧增加。这一现状为高性能路由器的设计带来了巨大的挑战，国内外许多研究机构都在积极探索路由器新型索引数据结构的设计问题。

路由器新型索引数据结构的设计需要坚持以下两个原则。首先，所设计的索引数据结构应支持基本的路由数据快速检索，所有的插入、查找、更新等操作均应以线速执行。第二，所设计的索引数据结构应实现路由数据压缩存储，以应对路由表数据量日益增长的现状。

目前，哈希表、布隆过滤器、查找树、跳表及其衍生数据结构被广泛用作路由器中的索引。其中，哈希表操作速度快，但需要消耗更多的存储空间以减少冲突；布隆滤波器无法定位元素的地址；查找树和跳表的查找速度均较慢。总之，目前主要研究成果都在存储消耗和查找速度之间进行权衡，不能满足高性能路由器数据检索的所有要求。因此，迫切需要提出新的解决方案，设计全新的路由器索引数据结构，以适应当今互联网发展的现状。

发明内容

针对上述现有技术，本发明设计了一种高性能智能路由器学习型索引数据结构及其训练方法。该索引数据结构能够在保证数据检索速度的基础上提升存储效率，其训练方法能够针对路由表数据特点实现快速稳定的神经网络训练。

为了解决上述技术问题，本发明提出的一种高性能智能路由器学习型索引数据结构，包括输入单元、模型单元和输出单元；所述输入单元用于将路由表索引数据转变为输入向量，将每一条索引数据拆分为若干子向量，然后对所有子向量中相同位置的元素执行按位异或运算，最终得到该索引数据对应的输入向量；所述模型单元用于训练、预测累积分布函数值，该模型单元为塔式两级结构，包括第一级的一个神经网络和第二级的若干神经网络；所述输出单元将所述模型单元已预测的累积分布函数值乘以映射表中槽的总个数，得到映射表中的映射位置，随后根据该映射位置所在部分对应的基地址和该映射位置中记录的实际存储器地址偏移量，求得最终索引地址。

同时，本发明还提出了关于上述高性能智能路由器学习型索引数据结构的训练方法，具体步骤如下：

步骤一、第一次训练集标定：由实际路由表索引数据构成的训练集数据经所述输入单元转变为输入向量，然后将这些输入向量排序、分类，并标定为编号从小到大的若干区域；

步骤二、第一级神经网络训练：利用步骤一中标定完成的训练集数据和标签，对所述模型单元中的第一级神经网络进行训练，第一级神经网络训练结果的每个区域值对应一个所述模型单元中的第二级神经网络；

步骤三、第二次训练集标定：将步骤一经所述输入单元转变为的输入向量全部标定为其累积分布函数值；

步骤四、第二级神经网络训练：利用步骤三中标定完成的训练集数据和标签，分别训练所述模型单元中的第二级每个神经网络，分别经过学习得到累积分布函数的一个部分；

步骤五、训练过程结束：训练完成后，所述模型单元中的所有第二级神经网络的预测范围覆盖整个累积分布函数，即训练后的塔式神经网络是一个累积分布函数的预测函数。