基于GPU的高速网络入侵检测系统设计

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (33): 78-81.

基于GPU的高速网络入侵检测系统设计

卢永菁，王东

湖南大学信息科学与工程学院，长沙 410082

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-21 发布日期:2011-11-21

High speed NIDS design based on GPU

LU Yongjing，WANG Dong

College of Information Science and Engineering，Hunan University，Changsha 410082，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-21 Published:2011-11-21

摘要/Abstract

摘要： 随着网络带宽的不断增加，以及处理能力的限制，传统的网络入侵检测系统（Network Intrusion Detecting System，NIDS）面临挑战，如何提高NIDS的处理能力备受关注。通过专用设备提高检测速度，不但价格昂贵且无法大规模普及。通过对Linux网络协议栈的优化，以及常用入侵检测系统Snort的多线程化，结合了图形处理器（Graphic Processing Unit，GPU）的高性能并行计算能力，设计了一种高性能的软件入侵检测架构，突破现有NIDS使用普通CPU的计算瓶颈，以应对高速链路对入侵检测性能的要求。实验结果表明，高速网络中的数据包可以采用GPU来处理。

关键词: 网络入侵检测系统（NIDS）, 图形处理器（GPU）, Snort, 并行计算

Abstract: With the continuous increase in network bandwidth and the capacity constraints，the traditional Network Intrusion Detection Systems（NIDS） is facing challenges.How to improve the efficiency of NIDS in high-speed network environment is facing challenges.Specially designed acceleration hardware is used to improve the detection rate，which is not only of high costs and inflexibility，but also only applicable to special institutions and not suitable to a large-scale popularization and promotion.An NIDS is presented based on the Snort open-source that exploits the powerful high-performance of GPU parallel processing capability，combining with the optimized Linux networking stack and multiple threads of Snort，and a high-performance software intrusion detection structure is designed.The experimental results show that GPU is very suitable for high speed network.

Key words: Network Intrusion Detection Systems（NIDS）, Graphic Processing Unit（GPU）, Snort, parallel computing

卢永菁，王东. 基于GPU的高速网络入侵检测系统设计[J]. 计算机工程与应用, 2011, 47(33): 78-81.

LU Yongjing，WANG Dong. High speed NIDS design based on GPU[J]. Computer Engineering and Applications, 2011, 47(33): 78-81.

[1]	冯凯，李婧. k元n方体网络的子网络可靠性[J]. 计算机工程与应用, 2021, 57(16): 83-89.
[2]	李健，张大伟，姜晓明，向立云. 并行化洪水演进模拟研究综述[J]. 计算机工程与应用, 2021, 57(13): 1-7.
[3]	孙明，陈昕. 面向卷积神经网络的硬件加速器设计方法[J]. 计算机工程与应用, 2021, 57(13): 77-84.
[4]	叶颖诗，魏福义，蔡贤资. 基于并行计算的快速Dijkstra算法研究[J]. 计算机工程与应用, 2020, 56(6): 58-65.
[5]	杨捷，吴素萍. 点云重建的并行算法[J]. 计算机工程与应用, 2020, 56(6): 213-219.
[6]	杜伟，傅游. 基于GPU的最小二乘蒙特卡罗算法期权定价[J]. 计算机工程与应用, 2020, 56(4): 225-229.
[7]	金之雁，杨磊，林隽民，王哲. 广义共轭余差法的通信避免算法[J]. 计算机工程与应用, 2020, 56(3): 74-79.
[8]	刘家华，陈靖宇. 多核并行脉冲神经网络模拟器的设计[J]. 计算机工程与应用, 2020, 56(22): 244-250.
[9]	朱超，吴素萍. 特征点检测DoG并行算法[J]. 计算机工程与应用, 2020, 56(10): 36-43.
[10]	邬阳阳，汤建国. 大数据背景下粗糙集属性约简研究进展[J]. 计算机工程与应用, 2019, 55(6): 31-38.
[11]	刘军，李威，吴梦婷，陈起凤. Hadoop平台下新型图像并行处理模型设计[J]. 计算机工程与应用, 2019, 55(6): 186-190.
[12]	刘洋，陈经纬，冯勇，吴文渊. 并行LLL算法研究综述[J]. 计算机工程与应用, 2019, 55(16): 36-41.
[13]	曾有灵，陈耿铎，熊威，李喆. 基于Spark的CT图像FBP重建算法程序并行设计[J]. 计算机工程与应用, 2019, 55(10): 218-224.
[14]	姜悦宁1，2，3，贾宏光1，3，厉明1，3. 基于多核并行计算的无人机CFD数值模拟[J]. 计算机工程与应用, 2018, 54(7): 221-225.
[15]	魏子衿1，2，3，肖丽2，3. 基于区域分解的并行动态LOD构建算法[J]. 计算机工程与应用, 2018, 54(6): 168-177.