命名数据网络(Named Data Networking,NDN)是一种为未来互联网而设计的新型网络架构,旨在取代基于TCP/IP的传统网络架构。不同于TCP/IP网络以IP地址为核心,NDN以命名数据为核心,这使得NDN具有比TCP/IP网络更好的移动性、可扩展性和安全性。在NDN的数据平面上,数据名查找是影响数据包转发性能的关键所在。然而,数据名结构复杂、长度不定且无理论上限,因此降低数据名查找的存储开销和时间开销就变得十分重要。目前,大多数数据名查找算法都基于单一数据结构,包括前缀树、哈希表和布鲁姆过滤器。如LNPM(Longest Name Prefix Match)算法基于哈希表,利用二分搜索法降低了查找的时间复杂度,但同时有着巨大的存储开销。而BBS(Bloom-filter assistant Binary Search)算法则在LNPM算法的基础上,采用了一种布鲁姆过滤器和哈希表相结合的混合型数据结构,大幅度降低了存储开销,但同时增加了时间开销。鉴于此,本文基于多核CPU,提出了一种新型的数据名查找算法MBBS(Multi-core BBS),该算法在BBS的基础上引入了并行计算方法,并以此降低了查找的时间开销。实验显示,MBBS和BBS的存储开销基本相同,而MBBS的吞吐量相比BBS最大可提升100%。为了更加全面地评估算法的性能,本文还对MBBS和BBS在CPU处于重负载时的性能表现进行了测试。实验显示,在这种极端情况下,MBBS的吞吐量最大可达BBS的2.5倍,这表明MBBS具有更好的稳定性。此外,由于NDN缺乏来自底层网络设备的支持,目前对NDN包转发的研究主要以仿真为主。考虑到这个问题,本文还实现了一个用户态数据包处理平台。该平台旨在实现NDN的系统级部署,能够让包转发应用程序绕过内核直接和网卡进行数据交互,并且支持GPU加速。为了评估平台的GPU加速性能,本文部署了一个采用BBS算法的数据包转发实验。实验结果显示,当批处理阈值设置为1024时,相比CPU而言,GPU上的查找时间开销可降低50%左右,而吞吐量最大可提升16%。