INSTITUTFÃƒÂœRINFORMATIK - Lehrstuhl fÃƒÂ¼r Effiziente Algorithmen ...

Weitere Magazine

Empfehlungen

Info

50 Kapitel 2. DatenanalyseFür ein IP-Datagramm mit der Zieladresse 223.1.4.2 wird der Ausgang C benutzt, obwohl auch AusgangD und Ausgang E in Frage kommen würden. Ausgang C gehört jedoch zum längsten Präfix von 223.1.4.2,das in der Tabelle enthalten ist.Wir betrachten folgende allgemeine Formulierung.Definition 2.40 Es seien P ⊆{0, 1} ∗ mit ε ∈ P und s ein Wort über Σ={0, 1}.1. Ein Wort p ∈ P , das Präfix von s ist, heißt spezifisches Präfix von s in P .2. Das spezifische Präfix von s in P mit maximaler Länge (unter allen spezifischenPräfixen) heißt spezifischstes Präfix von s in P .Damit ergibt sich als wesentliches Problem beim Routing: Für eine feste Menge P ⊆{0, 1} ∗bestimme für s ∈ {0, 1} ∗ das spezifischste Präfix von s in P (englisch: longest prefixmatching).2.4.2 Unibit-TriesUnibit-Tries sind die einfachste Datenstruktur für das Longest-Prefix-Matching-Problembasierend auf binären Wörtern s.Ein Unitbit-Trie ist ein Baum, bei dem jeder Knoten eine feste Anzahl von Datenfeldernsowie einen 0-Zeiger (Zeiger auf linkes Kind) und einen 1-Zeiger (Zeiger auf rechtes Kind)enthält.Es sei T ein Unibit-Trie. Für x ∈ T sei path T (x) der Weg von der Wurzel r zu x in T ,repräsentiert durch eine Wort aus {0, 1} ∗ ,wobei0für linkes Kind und 1 für rechtes Kindsteht.Wir verlangen folgende Invariante für den Unibit-Trie T von P :Für alle Knoten x enthältder Teilbaum T x von T mit x als Wurzel alle Wörter p ∈ P , so dass path T (x) einPräfixvon p ist.Example. Die Wortmenge sei P = {101, 111, 11001, 1, 0, 100000, 100, 110}.Bild zum Unitbit-Trie für BeispielmengeSkriptum zu Internet-Algorithmik WS 2006/2007
2.4. Fallstudie: Klassifikation von IP-Paketen 51Algorithmus: UnibitFindLMPEingabe: Unibit-Trie T ,Worts = s 0 ...s n ∈{0, 1} ∗Aufgabe: spezifischstes Präfix von s in T1. v := T.root()2. u := nil; p := ε; i := 03. WHILE ((u ≠ v) AND (i
Seite 2:
SESSÃO 1 COMISSÃO DE AVALIAÇÃOT
Seite 7: Einleitung 1Goodrich und Tamassia [
Seite 10 und 11: 4 Kapitel 1. EinleitungSkriptum zu
Seite 14 und 15: 8 Kapitel 2. DatenanalyseAlgorithmu
Seite 16 und 17: 10 Kapitel 2. DatenanalyseBeweis: A
Seite 18 und 19: 12 Kapitel 2. DatenanalyseAlgorithm
Seite 20 und 21: 14 Kapitel 2. DatenanalyseAlgorithm
Seite 22 und 23: 16 Kapitel 2. DatenanalyseDiese Arg
Seite 25 und 26: 2.1. Texte 19Algorithmus: Boyer-Gal
Seite 27 und 28: 2.1. Texte 21Hierbei ist s = abacb
Seite 29 und 30: 2.1. Texte 23betrachtet. Um nach ei
Seite 31 und 32: 2.2. Datenströme 252.2.1 Verarbeit
Seite 33 und 34: 2.2. Datenströme 27Es sei (k 1 ,..
Seite 35 und 36: 2.2. Datenströme 292. Implementier
Seite 37 und 38: 2.2. Datenströme 31• Mit Momente
Seite 39 und 40: 2.2. Datenströme 33Beweis: Wir rec
Seite 41 und 42: 2.2. Datenströme 35Damit ist für
Seite 43 und 44: 2.3. Monitore 372. Die Wahrscheinli
Seite 45 und 46: 2.3. Monitore 39alle möglichen 2 N
Seite 47 und 48: 2.3. Monitore 41Algorithmus:Eingabe
Seite 49 und 50: 2.3. Monitore 43Theorem 2.36 Es sei
Seite 51 und 52: 2.3. Monitore 45• R ist Rang der
Seite 53 und 54: 2.3. Monitore 47Algorithmus: WaveMo
Seite 55: 2.4. Fallstudie: Klassifikation von
Seite 59 und 60: 2.4. Fallstudie: Klassifikation von
Seite 69 und 70: Netzwerkanalyse 3Das Ziel der Netzw
Seite 71 und 72: 3.1. Dimensionierung und Positionie
Seite 81 und 82: 3.2. Rekonstruktion der Netzwerktop
Seite 95 und 96: 3.3. Fallstudie: Inter-Domain Routi
Seite 103 und 104: Literaturverzeichnis[AC75][AMS99]Al
Seite 105 und 106: Literaturverzeichnis 99[SV99][Var05
Alle anzeigen

INSTITUTFÃƒÂœRINFORMATIK - Lehrstuhl fÃƒÂ¼r Effiziente Algorithmen ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?