网络设备需要监视进入网络或主机的数据包,并将它们加以区别,以便对它们提供差异式服务,从而必须具备包匹配能力。现代网络环境要求包匹配算法能够与链路速度相匹配,要求能够处理大规模多维的规则库。目前学者们已经提出了很多包匹配算法,但这些算法都有其优劣,基于软件的无法满足日益提高的链路速度的要求,基于硬件的又无法满足网络规模的日益膨胀,总之都无法适应现代网络环境的要求。智能算法因其代码精简,控制参数甚少,性能较优。其解决优化问题的超强能力为处理包匹配问题提供了崭新思路。本文试图对智能算法解决包匹配问题进行一个系统的研究,重点研究差分演化算法如何解决大规模多维包匹配问题。围绕这一主题,本文开展的研究工作主要包括：(1)对包匹配算法的研究现状做了大量文献查阅,分类研究以及对典型算法思路进行逐一解剖。在已有学者研究的基础上对包匹配算法评价的相关性能指标参数做了非常细致的梳理和研究。(2)把包匹配问题理解为一种抽象的函数映射,高维空间向低维空间的一种映射,把基于实数编码的差分与包匹配传统算法结合,取长补短。采用变异系数对适应值加以设计,分析数据的全局分布性特征,从而自适应地调整变异的剧烈程度。因所提算法在包匹配的时间性能与规则数目之间具有较弱的相关性,从而其适合处理大规模包匹配问题。由于运用差分演化算法解决的是一个具体实际问题,面对的数据集相对比较稳定,数据具有一些共性的特征,故通过数值实验提供变异算子DE/X/Y/Z选择依据、DE控制参数的设置以及演化操作的方案选择。通过数值实验对比所提算法和传统算法的优劣。本算法通过研究旨在探索出差分演化算法在解决包匹配问题时的一般思路和方法。(3)从控制论的角度去分析包匹配问题,提出一种新的包匹配算法,此算法把差分和神经网络相结合,运用神经网络去自学习高维空间到低维空间的映射关系。首先运用遗传算法对数据集的特征集进行降维、运用差分演化算法对权重、激励函数进行差分演化,然后运用影响因子对隐含层的神经元进行精简,最后再应用反向传播进行微调。数值实验表明此算法能有效改善包匹配的性能,减弱规则数目和包匹配性能之间的相关性,和传统算法相比,它能有效地解决大规模规则库的包匹配问题。本算法旨在研究差分演化算法和神经网络相配合以用于解决包匹配问题的一般思路。(4)把包匹配问题看作为高维空间中的搜索问题,针对包匹配,运用多层基础基去描述数据包的多层特征,在每层中分别运用双种群差分演化算法进行比特基和实体基的提取,两个种群选用不同性能的变异算子,运用平均自信息和平均互信息作为衡量基础基选择的优劣。提取基础基的目的是降低问题的维度。本算法可以根据规则库实际规模选择提取比特实体基的层数,这种方法适应规则库的增长。从数值实验结果看,达到很好的效果。(5)根据当前种群的样本信息,把信息熵和直方图的理念引入当前种群的信息统计,进而运用这些信息去动态调整化学反应的元启发式算法的相关参数。从当前种群样本的角度,而不是假设全体样本的分布去分析问题。从实验结果看,达到了很好的预期效果。基于化学反应的元启发式智能算法由于参数的动态调整,包匹配的规模和性能之间的联系更弱,从而使此智能算法能高效处理数据包的匹配问题。本文从数据集本身的特征去分析、研究智能算法如何解决大规模多维的数据包匹配难题,重点研究了差分演化算法以及它和神经网络的融合。另外采取分层的思想,把它和差分演化算法融合,有效降低问题的维度和规模。化学反应的元启发式算法也是一种新型的遗传算法,通过对比它和差分演化算法处理包匹配的性能来分析它处理数据包匹配的能力。