流分类方法及装置与流程

发明涉及网络交换技术，尤其涉及一种基于并行哈希(hash)查找的流分类方法及装置。

背景技术：

随着因特网(Internet)的迅猛发展，用于主干网络互联的核心路由器的接口速率达到400Gbps，该速率要求核心路由器的访问控制列表(ACL，Access Control List)查找模块在支持大容量规则集的情况下查找速率达到每秒几亿乃至几十亿次。

ACL查找涉及多域的多种匹配方式，包括精确匹配、前缀匹配、掩码匹配和范围匹配，数据结构复杂，目前已经有较多成熟的数据结构及算法，包括树形查找、启发式算法等，但这些结构难以在硬件上实现，因此无法满足高速查找需求。目前以三态内容寻址存储器(TCAM，Ternary Content Addressable Memory)为基础的硬件查找方法较为流行。

TCAM是目前查找模块中利用较为广泛的技术，查找过程简单，但要满足400Gbps的查找速率要求需要多片TCAM调度查找，功耗与发热量将成为严重问题，另外由于互联网协议6(IPv6，Internet Protocol Version 6)的发展，规则的宽度相比IPv4大大增加使得基于TCAM的查找成本与功耗进一步提升，常用的IPv6的键值长度达到640bit，对于传统的TCAM需要发起2次连续查找指令才能进行一次640bit键值的查找，查找性能也随之下降。

目前以查找树型结构为主，典型代表有按比特区分的多层查找树(Trie树)，有按规则集特点区分的Hicut算法、Hypercut算法等，也有按规则条目中的域区分的一系列以编号排定的文件(RFC，Request For Comments)类等，他们共 同的特点是将规则集按不同类型进行分组，以达到快速查找的目的。但是这些算法有个共同的限制，就是需要对一部分规则进行复制以满足算法完备性需要。当规则集规模较小时(一般在1k以下)，这些需要复制的规则并不多，对存储空间的影响并不大；但是当规则集规模继续扩大时，复制所带来的影响就不可忽略，存放每类规则子集中各条规则对应的哈希键值集所需空间成几何级数式增长。在实际应用中，特别是核心路由器的应用中，规则集的规模是数万乃至数十万的规模，而上述算法对内存的需求开销是巨大的，在实际应用中较难实现。

技术实现要素：

为解决上述技术问题，本发明实施例提供了一种流分类方法及装置。

本发明实施例提供的流分类方法包括：

对规则集中的多条规则按照选取的特征量进行分类，得到一个以上规则子集；

将分类后的各个规则子集进行哈希存储；

当进行规则查找时，依据所述规则的哈希键值在各个并行哈希存储单元中进行哈希查找。

本发明实施例中，所述规则集中的规则由一个或一个以上特征量组成，每个特征量由对应的特征量数值表示；

所述对规则集中的多条规则按照选取的特征量进行分类，得到一个以上规则子集，包括：

针对规则中的第一特征量或第一组特征量，选取特征量数值不同的所有规则，组合成第一类规则子集；

其中，所述第一特征量或第一组特征量支持哈希查找方式。

本发明实施例中，所述对规则集中的多条规则按照选取的特征量进行分类，得到一个以上规则子集，还包括：

针对规则集中除第一类规则子集以外的规则，选取第二特征量或第二组特 征量的特征量数值不同的所有规则，组合成第二类规则子集；

针对规则集中除所有规则子集以外的规则，选取一个或多个特征量的特征量数值不同的所有规则，组合成规则子集，直至规则集中的规则分类完成为止。

本发明实施例中，所述方法还包括：

当分类出的规则子集中的规则数目小于或等于第一阈值时，更换当前的特征量，选取特征量数值不同的所有规则，组合成规则子集。

本发明实施例中，所述方法还包括：

当规则集中除所有规则子集以外的规则的数量小于或等于第二阈值时，终止分类，将规则集中除所有规则子集以外的规则组合成一类规则子集。

本发明实施例中，所述将分类后的各个规则子集进行哈希存储，包括：

设置每类规则子集中各条规则对应的哈希键值为：将分类所用的特征量设置为对应的特征量数值；将分类未使用的特征量设置为0；

利用哈希条目存放每类规则子集中各条规则。

本发明实施例提供的流分类装置包括：

分类单元，用于对规则集中的多条规则按照选取的特征量进行分类，得到一个以上规则子集；

存储单元，用于将分类后的各个规则子集进行哈希存储；

查找单元，用于当进行规则查找时，依据所述规则的哈希键值在各个并行哈希存储单元中进行哈希查找。

本发明实施例中，所述规则集中的规则由一个或一个以上特征量组成，每个特征量由对应的特征量数值表示；

所述分类单元，还用于针对规则中的第一特征量或第一组特征量，选取特征量数值不同的所有规则，组合成第一类规则子集；

其中，所述第一特征量或第一组特征量支持哈希查找方式。

本发明实施例中，所述分类单元，还用于针对规则集中除第一类规则子集以外的规则，选取第二特征量或第二组特征量的特征量数值不同的所有规则，组合成第二类规则子集；针对规则集中除所有规则子集以外的规则，选取一个 或多个特征量的特征量数值不同的所有规则，组合成规则子集，直至规则集中的规则分类完成为止。

本发明实施例中，所述分类单元，还用于当分类出的规则子集中的规则数目小于或等于第一阈值时，更换当前的特征量，选取特征量数值不同的所有规则，组合成规则子集。

本发明实施例中，所述分类单元，还用于当规则集中除所有规则子集以外的规则的数量小于或等于第二阈值时，终止分类，将规则集中除所有规则子集以外的规则组合成一类规则子集。

本发明实施例中，所述存储单元，还用于设置每类规则子集中各条规则对应的哈希键值为：将分类所用的特征量设置为对应的特征量数值；将分类未使用的特征量设置为0；利用哈希条目存放每类规则子集中各条规则。

本发明实施例中，所述的存储单元，由一定数量的并行哈希存储单元组成存储阵列，通过提供高并行度的方式来解决哈希冲突和分类规则过多的问题。

本发明实施例的技术方案中，根据实际应用中的规则集制定一系列分类原则，将所有规则进行统一的分类，将大规模的规则集分成很多个小规模的规则子集。这些规则子集的组成由宏观的规则的特点决定，并不完全依赖于对规则类型的预判和预定义，因此，分类方式是灵活多变的。将分类后的各规则子集进行哈希存储，规则查找时，依据规则的哈希键值在各个并行哈希单元中进行哈希查找；本发明实施例的技术方案不依赖TCAM实现，在保证高性能查表需求的同时，有效降低内存需求，适合硬件实现，满足大容量、高速的包分类查找需求。

附图说明

图1为本发明实施例的流分类方法的流程示意图；

图2为本发明实施例的用单一特征量进行分类的示意图；

图3为本发明实施例的用多个特征量进行分类的示意图；

图4为本发明实施例的用包含掩码特征量在内的多个特征量进行分类的示 意图；

图5为本发明实施例的哈希算法单元的框图示意图；

图6为本发明实施例的并行哈希组实现流分类查找的框图示意图；

图7为本发明实施例的流分类装置的结构组成示意图。

具体实施方式

为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。

图1为本发明实施例的流分类方法的流程示意图，如图1所示，所述方法包括以下步骤：

步骤101：对规则集中的多条规则按照选取的特征量进行分类，得到一个以上规则子集。

本发明实施例中，首先，针对规则中的第一特征量或第一组特征量，选取特征量数值不同的所有规则，组合成第一类规则子集；其中，所述第一特征量或第一组特征量支持哈希查找方式。

其次，针对规则集中除第一类规则子集以外的规则，选取第二特征量或第二组特征量的特征量数值不同的所有规则，组合成第二类规则子集。

然后，针对规则集中除所有规则子集以外的规则，选取一个或多个特征量的特征量数值不同的所有规则，组合成规则子集，直至规则集中的规则分类完成为止。

本发明实施例中，当分类出的规则子集中的规则数目小于或等于第一阈值时，更换当前的特征量，选取特征量数值不同的所有规则，组合成规则子集。

本发明实施例中，当规则集中除所有规则子集以外的规则的数量小于或等于第二阈值时，终止分类，将规则集中除所有规则子集以外的规则组合成一类规则子集。

具体地，根据实际应用中的规则集制定一系列分类原则，将所有规则进行 统一的分类，将大规模的规则集分成很多个小规模的规则子集。这些规则子集的组成由宏观的规则的特点决定，并不完全依赖于对规则类型的预判和预定义，而是灵活多变的。

实际应用中的每条规则是由多个数据流的特征量组成的，在不同的应用中，它有着相同或相近的组成原则。一般的规则由五元组(即源IP、目的IP、源端口号、目的端口号、协议号)和其他一些特征量组成。对于大规模的规则集，每条规则一定有区别于其他规则的不同的特征量数值，根据各条规则的特征量数值对规则进行分类。

步骤一：先考察某一个特征量，从规则集中取出具有独特特征量数值的规则，组成规则子集；特别地，当某个特征量数值在多条规则中存在时，任取出一条规则而留下其他规则。

本发明实施例中，如果该特征量不适合用哈希查找，如范围匹配或掩码匹配，则可以选择跳过该特征量，选取其他特征量进行分类。

步骤二：如果步骤一后，规则集中仍然有规则未被分类，则将剩余规则按照其他特征量，依次进行考察，取出有独特特征量数值的规则，组成其他规则子集；如果其中某次考察能够将规则集的规则分类完成，则停止分类。

步骤三：如果步骤二后，规则集中仍然有规则未被分类，则重复步骤一、二的步骤，再次考察分类，获得规则子集；如果其中某次考察能够将规则集中的规则分类完成，则停止分类。

特别地，如果存在某些步骤分类出的规则子集过小，则需要放弃当次的分类，选用其他特征量进行考察分类。

步骤四，如果步骤三后，规则集中仍然有规则未被分类，则按照任意两组或多组特征量的组合(不包括范围匹配)来进行独特特征量数值考察，取出相应的规则；如果其中某次考察能够将规则集中的规则分类完成，则停止分类。

特别地，多个特征量组合时，优先用匹配规则为完全匹配或前缀的来组合；本发明实施例中，对任意掩码匹配的特征量设计合理掩码，进行分类。这里，设计合理掩码是指：将分类的特征量中可以“不关心”的比特掩去，不作为哈 希计算中需要考虑的因素；即将分类未使用的特征量比特设置为0。例如，当分类所使用的特征量为规则中首个特征量时，合理掩码采用Xzzzz来标记规则中各个特征量，其中‘X’表示对应特征量的每个比特都是‘1’，‘z’表示对应特征量的每个比特都是‘0’。

步骤五：经过上述步骤迭代有限次后，所有的规则都被分类完成。某些情况下，最后几次迭代所分类出的规则数量很可能太少，会增大存储开销，所以当剩余规则数量少于一定程度后，可以终止分类，将剩余规则组成规则子集。

本发明实施例中，如果有大部分规则仅在范围匹配特征量中有独特特征量数值，则剩余的规则需要将范围匹配特征量数值按照前缀展开，将一条范围匹配规则展开成多条前缀匹配的规则。

范围展开的原则是：

首先尝试对某一个范围域按照前缀进行展开，按照步骤一至四进行规则分类；如果能够分出的规则数小于或等于第一阈值，则分别其它范围域按照前缀展开，取能够分出的规则数目最多且超过第一阈值的范围域作为展开域。

如果无法获得超过第一阈值的分类方式，再考虑对某两个范围域进行范围的前缀展开，并按照步骤一至四进行规则分类。

应避免对超过两个的范围域同时进行前缀展开，这样会生成过多的展开条目，极大的消耗存储资源。

经过上述五步骤后，可以将大规模的规则集分类成为有限个数的规则子集，并且每个规则子集中都包含一定数量的规则。

步骤102：将分类后的各个规则子集进行哈希存储。

本发明实施例中，设置每类规则子集中各条规则对应的哈希键值为：将分类所用的特征量设置为对应的特征量数值；将分类未使用的特征量设置为0；利用哈希条目存放每类规则子集中各条规则。

具体地，每个规则子集对应的哈希键值为：原规则条目上仅保留对他们进行分类时所使用的特征量或特征量的组合，其余未使用的特征量用‘0’替代，每个哈希条目存放一条规则及其相应的结果和优先级信息。

因为分类后，所产生的规则子集数量并不确定，所以在硬件设计上采用足够多的哈希存储单元，构成并行哈希组，来存储所有规则子集；每个规则子集可以占用多个哈希存储单元，一个哈希存储单元只能分配给一个规则子集，并具有相应的掩码配置。

步骤103：当进行规则查找时，依据所述规则的哈希键值在各个并行哈希存储单元中进行哈希查找。

具体地，规则查找时，将规则的哈希键值在各并行哈希单元中进行哈希查找；键值在每个哈希存储单元中，先用哈希存储单元配置的掩码将初始键值变为该哈希存储单元相应的键值，再进行该哈希存储单元的哈希计算，获得地址后，读取相应地址的数据信息，进行规则匹配比较。如果匹配成功，则命中该规则条目；并行哈希组将所有匹配的规则进行一次仲裁，按照流分类原则，选择优先级最高的目标规则作为返回结果。

特别地，为了保证查找的完备性，并将硬件设计的适用性扩展，因此在硬件设计上还需要一小部分缓存(CACHE)来处理上述步骤102中的步骤五处理中剩余的极少数规则。经验证明，从系统整体复杂度和利用率考虑，残余的规则数量占总规则数量1％-5％时，可以达到系统的最佳配比。

本发明实施例中，将大规模规则集分类成多个小规模规则子集，规则子集可进行哈希查找，从而用并行哈希组来实现大规模规则集的存储和查找。支持了大规模规则集的存储与查找，在保证高性能查表需求的同时，有效降低内存需求，适合硬件实现，满足大容量、高速的包分类查找需求。

图2为本发明实施例的用单一特征量进行分类的示意图，假设有规则集G中有7条规则{R1，R2，R3，R4，R5，R6，R7}，他们由五个独立的特征量组成，并假定所有特征量都是完全匹配字段，用字母来表示特征量，如图2中201所示。

按照本发明实施例的所述的分类步骤一所述，对各条规则的某一个特征量进行考察，这里考察第一特征量。可以发现，第一特征量为‘A’的有{R1,R2,R3,R4}，为‘Q’的有{R5，R6}，为‘P’的有{R7}；从具有‘A’特征量数值 的规则组中提出R1，从‘Q’特征量数值的规则组中提出R5，将具有‘P’特征量数值的规则R7提出，将{R1，R5，R7}组成第一规则子集202；剩余规则集203中包含了{R2，R3，R4，R6}四条规则。

按照分类步骤二所述，另取一个特征量对剩余规则进行考察，这里考察第二特征量。可以发现，具有‘H’和‘B’特征量数值的规则各占2条，因此将具有‘H’特征量数值的R2和具有‘B’特征量数值的R3取出，构成第二规则子集204；剩余的规则集在按照第三特征量进行分类，发现R4和R6分别具有不同的特征量数值‘C’和‘N’，因此剩余规则集可以直接用第三特征量来区分，构成第三规则子集205。

按照本发明实施例的所述的哈希存储方法，将上述分类后得到的三个规则子集分别用哈希表来存储。第一规则子集用掩码Xzzzz来标记，其中‘X’表示对应特征量的每个比特都是‘1’，‘z’表示对应特征量的每个比特都是‘0’。所以插入哈希表时，R1、R5、R7的哈希键值分别为A0000，Q0000，P0000。他们可以被哈希散列到哈希表中。每条规则根据各自的哈希键值计算出不同的存储地址，然后在相应地址中存入各条规则。

特别地，如果在某个规则子集的哈希散列中出现哈希冲突，则将冲突的键值换一张哈希表来存放，例如，在一张哈希表中，存储在位置A处的哈希键值既有A0000，又有Q0000，则存在哈希冲突，将Q0000或A0000换另一张哈希表来存放，以避免冲突。用并行哈希方式来消除哈希冲突对哈希填充带来的影响。因为实现上采用足够数量的小哈希表作为存储和查找装置，因此可以认为哈希并行度数量足够消除存在哈希冲突。

同理，第二规则子集用掩码zXzzz来标记，R2和R3用来进行哈希计算的哈希键值分别为0H000和0B000；他们被插入未使用的哈希表中；第三规则子集用掩码00X00来标记，R4和R6分别的哈希键值为00C00和00N00，他们被插入未使用的哈希表中。

当然，在具有相同特征量的多个规则中选取不同的规则，所划分出来的规则子集也不同。例如，第一特征量为‘A’的有{R1,R2,R3,R4}，为‘Q’的有{R5， R6}，为‘P’的有{R7}；从具有‘A’特征量数值的规则组中提出R2，从‘Q’特征量数值的规则组中提出R6，将具有‘P’特征量数值的规则R7提出，将{R2，R6，R7}组成第一规则子集；剩余规则集中包含了{R1，R3，R4，R5}四条规则。对于剩余规则集中的规则，第二特征量为‘B’的有{R1，R3，R4，R5}，无法对其进行分类，再选取第三特征量。第三特征量为‘C’的有{R1，R3，R4，R5}，无法对其进行分类，再选取第四特征量。第四特征量为‘D’的有{R1，R3}，第四特征量为‘K’的有{R4，R5}，从具有‘D’特征量数值的规则组中提出R1，从‘K’特征量数值的规则组中提出R4，将{R1，R4}组成第二规则子集；剩余规则集中包含了{R3，R5}，自动组成一类规则子集。

上述方案中是按特征量的顺序依次考察其中一个特征量来划分规则子集，即顺序考察第一个、第二个、第三个特征量。当然，根据实际规则情况还可以以其他顺序选取其中一个特征量来划分规则子集。

图3为本发明实施例的用多个特征量进行分类的示意图，图3沿用了图2的规则作为例子301，区别是分类时采用第一和第二特征量的组合来分类。可以发现，具有特征量数值‘AB’的规则共有3条，分别是{R1，R3，R4}，其它规则都分别具有各自独特的特征量数值‘AH’、‘QB’、‘QH’、‘PB’；因此将{R1，R2，R5，R6，R7}提出，组成第一规则子集302；再考察剩余的{R3，R4}，可以用第四特征量来区分，因此组成第二规则子集。

再按照哈希存储方案所述，将第一规则子集插入哈希表中，他的掩码配置为XXzzz，他们的哈希键值分别为‘AB000’、‘AH000’、‘QB000’、‘QH000’、‘PB000’；同理，将R3和R4按照第四特征量的掩码来存入哈希表中。

当然，根据实际规则情况还可以以其他组合的特征量来分类规则子集，例如，采用第二、第三、第四特征量的组合来分类，得到第一规则子集为{R1，R2，R4，R6}。剩余规则集为{R3，R5，R7}，采用第一特征量来分类，{R3，R5，R7}组成第二规则子集。

上述的例子中，特征量都假定为完全匹配，对于前缀和掩码标记可以采用相似的手段来进行分类，只是需要在每个特征量的比特范围内进行掩码选择， 这种选择可以用启发式的算法来完成。

图4为本发明实施例的用包含掩码特征量在内的多个特征量进行分类的示意图，如图4所示，规则集401中第一特征量和第三特征量分别是前缀域和掩码域，简单起见，以8比特数值来表示，其中*代表该条规则中对应的比特位0或1都可以成立。对第一特征量的前缀进行观察，可以发现，按照其中最短的前缀长度(前3比特)来分，具有‘100’的规则有{R1，R2，R3}，R4的特征量数值为‘011’，R5的特征量数值为‘101’；同时考虑到由于用于区别的特征量只有3比特，可能不足以区分更多数量的规则，最好需要叠加另一个特征量来进行分类，因此在图中分类时，同时再考虑了第三特征量的掩码域的数值。

进一步再考察第三掩码域中的数值，可以发现R1和R2的掩码位置是相同的，R3、R4、R5的掩码位置是相同的，因此为了最大限度上利用已知数据，将{R3，R4，R5}提出组成第一规则子集402，{R1，R2}作为剩余规则集考虑。不难考察，剩余规则集可以按照第二特征量和第三特征量的组合来分类，组成第二规则子集403。

第一规则子集按照第一特征量和第三特征量的组合来分类，因此，第一规则子集对应的掩码配置为(11100000)z(11101000)zz。第二规则子集按照第二特征量和第三特征量的组合来分类，因此第二规则子集的掩码配置为zX(11011100)zz。

图5为本发明实施例的哈希算法单元的框图示意图，图6为本发明实施例的并行哈希组实现流分类查找的框图示意图，参照图5、图6，当规则查找键值(Key)502输入到哈希计算单元时，首先将键值与存储在哈希计算单元中的特征掩码(Mask config)503相‘与’，将查找键值转为查找本张哈希表的哈希键值(Hash Key)504；然后用哈希键值504进行哈希计算，获得相应的哈希表的地址；用获得的地址查哈希表(Hash Table)505，获得存储的实际规则和结果；将键值502和数据输入键值比较模块(Key Compare)506，同时如果存在前一级的结果(Previous Hash Result)507，则需要同时比较前一级结果与本级结果的优先级，将优先级高的结果作为本级的输出结果；最后由506输出比较结果。 哈希查组由图6所述的哈希查找单元组成M*N的查找阵列，M*N的总体容量足够满足大容量的规则集所需的存储空间，并且M*N个并行度足够满足各规则子集的哈希冲突的要求。一般来说，M取决于MUX的设计规模，N取决于延迟的要求，M*N的数量由总需求容量和每个哈希单元的容量决定。

例如，查找键值为11101，特征掩码为01100，将11101和01100相‘与’，得到哈希键值01100；用哈希键值01100进行哈希计算，获得相应的哈希表的地址为地址A，在哈希表中找到地址A对应的规则R1。如果存在优先级较高的结果指示输出规则B时，则最终结果为规则R2。

特别地，硬件实现时，每行哈希单元串行流水线查找，每个哈希单元除了需要在本单元进行哈希键值比较外，还需要将前一级的输出结果与本级的查找结果进行比较，将优先级高的结果作为本级的输出结果。每列哈希单元需要同时进行并行查找，每列的哈希结果在最后一列哈希表计算出结果后汇聚到结果汇聚模块(MUX)603；MUX将所有结果进行优先级比较后，输出优先级最高的结果作为最终查找结果。

特别地，为了保证算法完备性，可以选择添加一小块独立的CACHE，作为并行哈希查找组的完备性保证模块(CACHE)602。CACHE的目的是：大规模规则集中不可避免的存在个别条目形式特别复杂的条目，如条目有效位数特别少，掩码位置与大多数掩码位置不同等，这些条目可能不适合用上述的哈希散列方式进行存放，这就可以用一小部分CACHE来存放。

这里，CACHE的逻辑用全部条目逐一比较的方式来实现，可以如哈希查找组的串行流水线方式实现，每级用少数并行度的并行比较。

在并行哈希计算时，同时将键值也输入CACHE模块进行比较，最终结果同样汇聚到MUX模块中，与并行哈希查找组查找的结果进行聚合，由MUX模块比较获得最终结果。

图7为本发明实施例的流分类装置的结构组成示意图，如图7所示时，所述装置包括：

分类单元71，用于对规则集中的多条规则按照选取的特征量进行分类，得 到一个以上规则子集；

存储单元72，用于将分类后的各个规则子集进行哈希存储；

查找单元73，用于当进行规则查找时，依据所述规则的哈希键值在各个并行哈希存储单元72中进行哈希查找。

本发明实施例中，所述规则集中的规则由一个或一个以上特征量组成，每个特征量由对应的特征量数值表示；

所述分类单元71，还用于针对规则中的第一特征量或第一组特征量，选取特征量数值不同的所有规则，组合成第一类规则子集；

其中，所述第一特征量或第一组特征量支持哈希查找方式。

本发明实施例中，所述分类单元71，还用于针对规则集中除第一类规则子集以外的规则，选取第二特征量或第二组特征量的特征量数值不同的所有规则，组合成第二类规则子集；针对规则集中除所有规则子集以外的规则，选取一个或多个特征量的特征量数值不同的所有规则，组合成规则子集，直至规则集中的规则分类完成为止。

本发明实施例中，所述分类单元71，还用于当分类出的规则子集中的规则数目小于或等于第一阈值时，更换当前的特征量，选取特征量数值不同的所有规则，组合成规则子集。

本发明实施例中，所述分类单元71，还用于当规则集中除所有规则子集以外的规则的数量小于或等于第二阈值时，终止分类，将规则集中除所有规则子集以外的规则组合成一类规则子集。

本发明实施例中，所述存储单元72，还用于设置每类规则子集中各条规则对应的哈希键值为：将分类所用的特征量设置为对应的特征量数值；将分类未使用的特征量设置为0；利用哈希条目存放每类规则子集中各条规则。

本领域技术人员应当理解，图7所示的流分类装置中的各单元的实现功能可参照前述流分类方法的相关描述而理解。图7所示的流分类装置中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可 以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。