TaNG：基于TSS辅助的神经网络GPU包分类建模
网络与互联网体系结构
2026-01-07 v1
摘要
包分类是软件定义网络中的核心功能，近期基于学习的方法在大规模规则集上展现出显著的吞吐量提升。然而，现有基于学习的方法在处理重叠规则时存在挑战，导致模型覆盖不完整或规则复制过度。其有限的GPU集成也限制了大规模规则集的性能。为解决这些问题，我们提出了TaNG，该方法利用单一神经网络在多维特征上进行训练，以确保不复制规则的完整覆盖。TaNG采用半结构化设计，将神经网络模型与元组空间相结合，从而降低模型复杂度。此外，我们开发了基于该半结构化设计的规则更新机制。最后，我们实现了一个针对基于学习的方法的CPU-GPU混合流式框架，进一步提升了吞吐量。在512k规则集的GPU分类框架上，TaNG相较于两种最先进的学习方法NuevoMatch和NeuTree，分别实现了12.19倍和9.37倍的吞吐量提升，以及98.84倍和156.98倍的性能稳定性提升。
引用
@article{arxiv.2601.03187,
title = {TaNG: Modeling Packet Classification with TSS-assisted Neural Networks on GPUs},
author = {Zhengyu Liao and Shiyou Qian},
journal= {arXiv preprint arXiv:2601.03187},
year = {2026}
}