《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 一種基于Simhash算法的重復域名數據去重方法
一種基于Simhash算法的重復域名數據去重方法
信息技術與網絡安全 4期
侯開茂,韓慶敏,吳云峰,黃 兵,張久發,柴處處
(中國電子信息產業集團有限公司第六研究所,北京100083)
摘要: 隨著數字科學技術的發展,各領域需要傳輸和存儲的數據量急劇上升。然而傳輸和存儲的數據中重復數量占據了很大的比例,這不僅會增加使用數據的成本,也會影響處理數據的效率。域名是一種存儲量大而且對處理速率有極高要求的數據,為了節約域名解析系統的存儲成本,提高傳輸效率,本文在原有數據去重技術的基礎上,引入了Simhash算法,結合域名數據的結構特征,改進數據分詞和指紋值計算方式,提出了一種基于Simhash算法的重復域名數據去重方法。實驗結果表明,相比于傳統的數據去重技術,該方法對刪除重復域名數據效率更高,具有較好的實際應用價值。
中圖分類號: TP391
文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2022.04.011
引用格式: 侯開茂,韓慶敏,吳云峰,等. 一種基于Simhash算法的重復域名數據去重方法[J].信息技術與網絡安全,2022,41(4):71-76.
Method for deleting duplicate domain name data based on Simhash algorithm
Hou Kaimao,Han Qingmin,Wu Yunfeng,Huang Bing,Zhang Jiufa,Chai Chuchu
(The 6th Research Institute of China Electronics Corporation,Beijing 100083,China)
Abstract: With the development of digital science and technology, the amount of data that needs to be transmitted and stored in various fields has risen sharply. However, the number of repetitions in these data occupies a large proportion. This not only increases the cost of using data, but also reduces the efficiency of data processing. Domain name is a kind of data with large storage capacity and extremely high requirements for processing speed. In order to save storage cost and improve transmission efficiency, this paper proposes a method for deleting duplicate domain name data based on Simhash algorithm. Compared with the traditional data deduplication technology, this method combines the structural characteristics of the domain name data, and introduces the Simhash algorithm to design a deduplication method for the domain name data. The experimental results show that compared with the traditional data deduplication technology, this method is more efficient in deleting duplicate domain name data and has better practical application value.
Key words : data deduplication;domain name;Simhash;data block

0 引言

隨著電子信息技術的發展,各行各業都產生了大量的數據信息,根據國際數據公司(International Data Corporation,IDC)的最新預測:到2023年,中國的數據量將達到40 ZB,并且隨著5G技術的普及,數據量增長將會迎來又一個新的高潮[1]。有研究發現,這些數據中超過60%都是重復冗余數據[2],傳輸和存儲這些冗余數據不僅造成了存儲資源和網絡資源的嚴重浪費,也降低了使用數據的效率。并且隨著時間推移,這些數據帶來的冗余問題會越來越嚴重。域名[3](Domain Name)作為互聯網中頻繁使用的數據類型之一,是一種特殊的數據形式,其對字符的變化敏感度極高,一個字符的變化往往會對使用結果產生嚴重的影響。因此,處理重復域名數據需要采用精確而且高效的去重技術。

已有重復數據處理技術中,完全文件檢測(Whole File Detection,WFD)技術[4]無法對內容進行查重處理,固定分塊(Fixed-Sized Partition,FSP)檢測技術、可變分塊檢測技術和滑動塊檢測技術都是針對數據共有特征的粗粒度去重,直接用于重復域名的處理效果并不理想。因此,本文在已有重復數據檢測技術的基礎上,引入Simhash算法,結合域名數據的結構特征,改進計算文本特征值的方式,提出了一種基于Simhash算法的重復域名數據去重方法。經過實驗對比看出,該方法對于處理重復域名數據效果更好,同時在時間開銷上也和原有技術差別不大,對于處理重復域名數據具有比傳統去重技術更好的實用價值。






本文詳細內容請下載:http://www.rjjo.cn/resource/share/2000004102






作者信息:

侯開茂,韓慶敏,吳云峰,黃  兵,張久發,柴處處

(中國電子信息產業集團有限公司第六研究所,北京100083)




微信圖片_20210517164139.jpg

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产精品视频自拍 | 欧美综合成人网 | 国产伦一区二区三区四区久久 | 伊人久久综合热青草 | 黄色视屏免费 | 怡红院免费全部视频在线 | 日韩三级在线 | 亚洲第一综合网站 | 爱爱亚洲 | 综合久久影院 | 欧美高清一区二区 | 国产美女做爰免费视频软件 | 国产手机国产手机在线 | 娇小性色xxxxx中文 | 国产欧美成人不卡视频 | 99ri在线视频| 亚洲一区二区三区四区五区 | 亚洲国产欧美日韩第一香蕉 | 亚欧色视频在线观看免费 | 香蕉国产人午夜视频在线观看 | 亚洲精品不卡午夜精品 | 欧美一级毛片欧美一级 | 国产高清美女一级a毛片久久w | 欧美日韩视频在线第一区二区三区 | 韩日一级毛片 | 国产精品久久在线 | 久久精品免看国产成 | 中文字幕亚洲国产 | 精品一区二区三区免费观看 | 理论视频在线观看 | 一级片a级片 | 亚洲第一黄色网 | 国产精品大全 | 99精品高清不卡在线观看 | 日韩欧美国产精品第一页不卡 | 国产精品久久久久久久 | 一级啪啪片 | 久久久久久久99精品免费观看 | 日本加勒比系列 | 成 人免费视频l免费观看 | 国产区香蕉精品系列在线观看不卡 |