ICMP攻击及防范

ICMP协议概述

IP协议本身无法处理诸如“得到一个包发送失败的事实”，“对网络进行诊断”这些操作。ICMP协议就是为了上述操作而包含在IP协议中的一个子协议。

ICMP协议(Internet Control Message Protocol)全称Internet控制报文协议，是TCP/IP协议族的一个子协议，用于在主机，路由器之间传递控制信息。最常见的是我们使用的ping命令就是通过发送ICMP包实现的。

ICMP包位于IP包内部，ICMP的包头一般来说紧跟着IP包头（通常IP包头为20字节，则ICMP包头从第21字节开始）。

ICMP包包含Type, Code, Checksum和Data域，其中Type指定了ICMP的类别，可大致分为两类——一种是请求及其回应，另一种是错误信息反馈。

以Echo请求为例，一个Type=8的包发向目标IP，如果目标服务器成功收到，回复一个Type=0请求。倘若中间出现路由错误，则中间路由器返回一个Type=3的包。

ICMP攻击及其防范

ICMP攻击有非常多不同的种类，接下来将列举一些常见的攻击。

ICMP隧道

首先讲一讲ping指令的原理，ping指令首先发送一个ICMP的ECHO REQUEST包给目标IP，并在data域包含一个唯一的16位标识符（这个标识符在Linux中是顺序生成的，而在Windows中是随机生成的），通常操作系统还会在data域后面添加一些无用的信息使得ICMP包长到达一个指定的长度。目标主机收到了ping指令后，将data域原封不动包裹在一个ECHO REPLY包中发回来。

对于一个ICMP ECHO REQUEST/REPLY包，由于其做的是类似于网络控制方面的事情，故通常不会被防火墙在意（除非防火墙一一分析每个包的内在data域有没有异常），而其data域可以携带任意的数据，因此可以借助ICMP包实现一个从服务器发送消息的程序。我在github上面也找到了一个实现ICMP隧道的程序，大家可以参考一下。

对于ICMP tunneling的攻击，有一些非常原始的防范方式，包括限制包的大小以及直接丢弃所有的ICMP包。但是在实际上这些方式都不可行。也有一些比较复杂的防范方式，包括在本机监听包，并在发现异常是，通过网络中的控制节点拦截攻击的流量。

DDOS攻击

PING FLOOD攻击

两个对称的主机，攻击者在一个主机上使用多线程发送大量包向目标主机。只要攻击者的主机的带宽大于被攻击者，被攻击者的带宽就会被完全占满，而真正的包无法到达。

对于这类攻击，可以在子网入口的路由器上设置过滤表，拦截攻击者IP。

Smurf攻击

Smurf-attack是一种原始的DOS攻击，攻击者伪造目标主机的IP为source IP，并发送一个广播的ICMP ECHO REQUEST指令。当指令被网络的其他主机回应后，回应的ECHO REPLY将涌入目标主机，导致目标主机瘫痪。

一般Smurf-attack攻击的解决方式有——对于主机，设置相应的网段，不在该网段的ICMP ECHO REQUEST都不会被相应。或者是对于一个子网路由器，丢弃掉发入子网的广播ECHO REQUEST。由于现在新的路由器都默认disable广播流量，因此smurf攻击基本已经成为历史了。

伪造IP的方式不一定在攻击者主机上面实现，比如在 DNS Amplification Attack 攻击中，攻击者可以通过UDP包，将目标主机的真实地址关联一个无关的IP，注入DNS服务器，将大量无关请求全部导向目标主机。

网络信息收集

通过ICMP攻击可以用来收集网络拓扑结构，首先，通过ECHO REQUEST可以探知一个主机的存在性，而通过一个TTL依次递减的一系列ECHO REQUEST包，观察其ICMP Time Exceeded 包的发送源即可获得一条网络的边。

甚至通过ECHO REPLY包，我们还可以探知目标机器的OS类型。返回TTL=128的机器是Windows系的，而TTL=64的机器是Linux系的。同时，对于一个任意Code域非空的ICMP包，Windows系主机将返回一个Code域为0的包，而Linux则不会。进一步，不同的系统版本对于TIMESTAMP REQ包的回应也不尽相同，我们可以借此更进一步确认。

这类行为因为不会造成严重的后果，故一般没有进行防范。

Ping of Death攻击

通过发送若干段IP超大包，并让目标主机接受后，拼接出一个大小超过65536的包，导致栈溢出。这种攻击仅发生在早起服务器上，新的服务器都通过修改其收包算法的边界条件判定解决了这个攻击。

总结

对于ICMP攻击的防范一般都需要用户服务器精细配置防火墙，或是在边界路由器中设置过滤规则。普通的丢弃ICMP包也是可行的，但是会使得很多网络诊断工具不可用。在参考了有限资料后，我认为ICMPv4和ICMPv6在上述攻击的防御上几乎没有区别，ICMPv6协议本身没有增加额外的防范机制的支持。

参考文献

ICMPv4 and ICMPv6: https://notes.shichao.io/tcpv1/ch8/

ICMP attacks:  https://resources.infosecinstitute.com/icmp-attacks/#gref

ICMP tunnels: https://www.notsosecure.com/icmp-tunnels-a-case-study/

ICMP floods: https://www.cloudflare.com/learning/ddos/ping-icmp-flood-ddos-attack/

原创文章地址：【ICMP攻击及防范】转载时请注明出处mhy12345.xyz！

Express的Session不同步问题

近期使用express做项目，发现遇到了一个神奇的bug，从现象上来看是用户的session并不同步。具体来说有如下现象——

  • 页面A在session中加入了某个字段。并输出session，发现字段已经成功加入。
  • 页面A通过setTimeout设置5秒后再次输出session，发现字段仍然存在。
  • 页面B在页面A加载后的5秒内访问同用户的session，发现字段不见了。

经过研究，解决方式为在session创建时，指明resave选项为false——

1
2
3
4
5
var sessionMiddleware = session({
        secret: "hahaha",
        resave: false,
        saveUninitialized: true
});

resave字段为false的时候，倘若一个请求未修改session本身，则session不会重新写回内存。通常倘若两个同时发生的请求，只有一个修改了session。当resave为true时，未修改session的请求的session写回操作很容易覆盖另一个请求对于session的修改。

原创文章地址：【Express的Session不同步问题】转载时请注明出处mhy12345.xyz！

Structural Deep Embedding for Hyper-Networks 阅读笔记

所谓的Network Embedding就是指，对于一个网络（或者简单地说，图），给每个节点一个特征向量X_i，而该特征向量能够表征网络中节点的结构信息。这篇文章是Network-Embedding中的一篇较为重要的文章。

Abstract

网络嵌入(Network Embedding)近年来吸引了很多人的注意，传统的方法多局限于由点与点二元组关系形成的图，但是，在实际生活中，图本身很难是标准的二元组关系，在有些情况下，一条关系(relationship)会涉及到三个甚至更多的主体，我们可以称之为超边(hyperedge)。当超边成为一个不可分割的独立整体，则传统算法会遇到不少困难。本文将介绍一种算法，用于对于超网络(hyper-network)的嵌入。并且证明，传统算法不可能成功Embedding存在不可分割超边的网络。

Introduction

对于hyper-network的embedding，一个非常简单的方式是将其转化为普通图，这里有两种常用做法，一种是直接将图中的超边转化为一个“团(clique)”，另一种是为超边本身分配一个虚拟节点，并向其包含的所有元素连边。他们分别被称作clique expansion和star expansion。在这些算法中，我们都假设了超边是可分的，即，一个超边包含的点集的子集仍然是有意义的，这在实际生活中是不存在的。上述的算法的诸多问题便是这篇文章需要解决的——

  • 节点的不可分解性：如电影的推荐中的<user, moive, tag>三元组的子集 <user,tag>是不合法的。
  • 结构保留特性：实现局部细节的embed是相对简单的，但是网络整体结构的embed却相对复杂。而我们还需要解决同时embed局部、全局的特征。

对于第一个问题，文章设计了不可分解的多元组相似性函数，这种函数本身的结构保证了超边的子集不会存在。我们从理论上证明该函数是非线性性的，如果使用带非线性层的神经网络实现，则可以实现强力的非线性性。

对于第二个问题，我们使用自编码器来保证相似的节点拥有相似的embedding。

Related Work

早期的图Embedding使用了线性代数的方式，使用图的主特征向量来作为图的编码。由于线性代数中的特征向量分解是一个相对昂贵的方式，因此实际上这种做法并不常用

近年来，一个叫做RamdomWalk的算法提出新的思路，通过刻画一系列随机游走的路径来Embed一个图。在此之后，很多学者都在其基础上进行了创新，诸如使用更好的刻画函数，或者引入深度学习来优化。

然而，上述所有的算法，假设了图是标准的由边的二元组构成的。在存在超边的途中，现有的算法不是无法保证超边的不可分解性，就是过于低效。

Notations and Definitions

术语

如右图所示，相比于图论中的“无向图”，我们的超图更类似于

一个“有向图”。也可类比于之前提到的<user,movie,tag>三元组，节点本身是有类别的。我们定义点集

V = \{V_t\}_{t=1}^{T}

表示所有节点可以按照类别分为T类。

超边边集则可以表示为

E=\{(v_1,v_2,\dots,v_{n_i})\} (n_i \geq 2)

最终第j类的第i个节点的Embedding可以计算为

X_i^j

对于N个节点，我们可以定义相似性函数

\mathcal{S}(X_1,X_2,\dots,X_n)

相似性

节点的一阶相似性(First-order Proximity)刻画了N个节点的直接相似性，其定义非常简单，只要这N个节点组成一个超边，则这N个节点的一阶相似性是1。当然，这里就隐含定义了这N个节点的任意子集都不存在一阶相似性。

显然，单纯的一阶相似性定义是不完善的，这时，我们可以进一步定义二阶相似性。

二阶相似性定义在任意两个节点上，当两个节点x_i和x_j共有邻居时，他们应该是二阶相似的。这也应该反映到节点的Embedding上面。举一个例子，在上面那张图上，A_1的邻居应该是\{(L_2,U_1),(L_1,U_2)\}，而由于A_1和A_2拥有共同的邻居(L_1,U_2)则他们应该是二阶相似的。

Deep Hyper-Network Embedding

模型设计

我们计算的网络Embedding需要保证一阶相似性，即对于模型生成的Embedding值X_i，倘若一个点集组成了超边，则他们的X_i的一阶相似性函数应该尽可能大，反之尽可能小——

特征1：我们令X_i为模型生成的Embedding值，则

  • 当(v_1, v_2, \dots , v_n) \in E, \mathcal(S)(X_1, X_2, \dots, X_n)应该尽可能大（或者说至少得大于某个比较大的阈值）
  • 当(v_1, v_2, \dots , v_n) \notin E, \mathcal(S)(X_1, X_2, \dots, X_n)应该尽可能小（或者说至少得小于某个比较小的阈值）

有了上述定义，文章进一步通过列举反例，证明了倘若\mathcal(S)仅仅是依赖于X_1,X_2,\dots, X_n的一个线性函数\mathcal(S) = \sum_i W_i X_i，是无法正确刻画特征1的。当然，了解过深度学习的读者应该就能发现，这恰好是深度学习中的非线性层引入的动机。

后续讨论我们默认N=3，更大的N对应算法很容易在N=3的情况修改得到。下图是网络的结构图——

在输入节点Embeding (X_i, X_j, X_k)，我们可以通过非线性函数将他们映射到一个非线性空间L中。

L_{ijk} = \sigma(W_a^{(2)} X_i^a + W_b^{(2)} X_j^b + W_c^{(2)} X_k^c + b^{(2)})

而我们进一步将L映射到一个概率空间S中

S_{ijk} = \mathcal{S} (X_i^a, X_j^b, X_k^c) = \sigma(W^{(3)} * L_{ijk} + b^{(3)})

上面两层共同构成了我们的非线性相似性函数\mathcal{S}，最终的目标函数定义如下

\mathcal{L}_1 = -(R_{ijk} \log S_{ijk} + (1-R_{ijk}) \log (1-S_{ijk}))

上式中的R_{ijk}被定义为“节点i,j,k是否组成一个超边”的0\1值函数。

接下来，我们考虑如何生成二阶相似性。之前我们介绍了模型中的第二层和第三层，而模型的第一层就是用来保证二阶相似性的。从图中，我们可以发现，模型使用了一个AutoEncoder，那么任何AutoEncoder都需要一个可供编码的东西，我们这里使用AutoEncoder编码什么呢？作者设计了一个编码矩阵A_i.

令H表示在图G(V,E)的关联矩阵，h(v,e)=1当且仅当v \in e，而D表示图的度数矩阵。令A = H H^T -D。在离散数学中，可以证明，A矩阵的第i行A_i刻画了节点i的邻居的信息。而AutoEncoder就可以如下构造——

X_i = \sigma(W^{(1)} * A_i + b_i)

\hat{A}_i = \sigma(\hat{W}^{(1)} * X_i + b_i)

对于AutoEncoder的损失函数，我们有一个小优化，即只计算A_i不等于0的项。

\mathcal{L}_2 = \sum_t ||sign(A_i^t) \cdot (A_i^t-\hat{A}_i) ||_F^2

最终模型的损失为

\mathcal{L} = \mathcal{L}_1 + \alpha \mathcal{L}_2

模型训练

使用SGD算法训练。

Experiment

略

Conclusion

略

 

原创文章地址：【Structural Deep Embedding for Hyper-Networks 阅读笔记】转载时请注明出处mhy12345.xyz！

在Vue.js中使用Quill富文本编辑器自定义块级元素

再一次开发中，我试图在vue.js搭建的网站中引入富文本编辑器，我是用了vue2-editor. 这个库将开源富文本编辑器Quill包装进了vue.js的组件中。从易用性角度来说，非常令人满意。

不过，在我们的设计中，我们尝试使用富文本实现一个问卷系统，例如对于选择题，我们希望把一个包含了四个选项的“不可分割块级元素”作为一个整体，像插入图片一样插到富文本编辑器中。

实际上，插入块级元素本身是有先例可循的，比如视频插入模块，可以再富文本编辑器中插入一个iframe块。其代码可在github上面看到——

JavaScript
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
import { BlockEmbed } from '../blots/block';
import Link from './link';
 
const ATTRIBUTES = ['height', 'width'];
 
class Video extends BlockEmbed {
  static create(value) {
    const node = super.create(value);
    node.setAttribute('frameborder', '0');
    node.setAttribute('allowfullscreen', true);
    node.setAttribute('src', this.sanitize(value));
    return node;
  }
 
  static formats(domNode) {
    return ATTRIBUTES.reduce((formats, attribute) => {
      if (domNode.hasAttribute(attribute)) {
        formats[attribute] = domNode.getAttribute(attribute);
      }
      return formats;
    }, {});
  }
 
  static sanitize(url) {
    return Link.sanitize(url); // eslint-disable-line import/no-named-as-default-member
  }
 
  static value(domNode) {
    return domNode.getAttribute('src');
  }
 
  format(name, value) {
    if (ATTRIBUTES.indexOf(name) > -1) {
      if (value) {
        this.domNode.setAttribute(name, value);
      } else {
        this.domNode.removeAttribute(name);
      }
    } else {
      super.format(name, value);
    }
  }
 
  html() {
    const { video } = this.value();
    return `<a href="${video}">${video}</a>`;
  }
}
Video.blotName = 'video';
Video.className = 'ql-video';
Video.tagName = 'IFRAME';
 
export default Video;

仿照上面的代码，我们实现我们自己的题目添加控件——

JavaScript
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
import {Quill} from 'vue2-editor';
 
const ATTRIBUTES = [
  'alt',
  'height',
  'width'
];
 
var Embed = Quill.import('blots/embed');
class SelectProblemEmbeder extends Embed {
static create(values) {
let node = super.create();
let class_id = values.class_id;
let problem_id = values.problem_id;
let choices = values.choices;
let context = global.problemEmbederContext;
node.setAttribute('id','problem-'+class_id+'-'+problem_id);
node.setAttribute('pid',problem_id);
node.setAttribute('cid',class_id);
let container = document.createElement('div');
for (var item in choices) {
let choice_node = document.createElement('div');
choice_node.setAttribute('class','select-option');
choice_node.setAttribute('index',item);
choice_node.setAttribute('content',choices[item]);
choice_node.appendChild(document.createTextNode(item + '.'+ choices[item]));
container.appendChild(choice_node);
}
node.appendChild(container);
let panel = document.createElement('div');
let panel_answer = document.createElement('span');
panel_answer.appendChild(document.createTextNode('[编辑]'));
panel_answer.setAttribute('class','correct-answer-button');
panel_answer.onclick = function() {
context.handleShowAnswerDialog(problem_id);
};
let panel_analyze = document.createElement('span');
panel_analyze.appendChild(document.createTextNode('[情况分析]'));
panel_analyze.setAttribute('class','analyze-button');
panel.appendChild(panel_answer);
panel.appendChild(panel_analyze);
node.appendChild(panel);
return node;
}
 
static value(node) {
let res = {
class_id:node.getAttribute('cid'),
problem_id:node.getAttribute('pid'),
choices: {
}
};
let container = node.children[0].children[0];
for (let item of container.children) {
res.choices[item.getAttribute('index')] = item.getAttribute('content');
}
return res;
}
 
static formats(domNode) {
console.log("CALL formats()",domNode);
return domNode.getAttribute('id');
}
 
static sanitize(url) {
console.log("CALL sanitize()",domNode);
}
 
format(name, value) {
if (ATTRIBUTES.indexOf(name) > -1) {
if (value) {
this.domNode.setAttribute(name, value);
} else {
this.domNode.removeAttribute(name);
}
} else {
super.format(name, value);
}
}
}
 
SelectProblemEmbeder.blotName = 'select-problem';
SelectProblemEmbeder.className = 'smart-area';
SelectProblemEmbeder.tagName = 'div';
 
export default SelectProblemEmbeder;

这是我们设计的独立功能模块，通过命令  Quill.register(SelectProblemEmbeder); 进行引入。在保存时，我们需要同时保存富文本的HTML信息，以及DELTAS信息，HTML信息可以用于渲染内容，可以通过vue2-editor暴露在外的content获取，而DELTAS信息可以用于保存富文本编辑的状态，供后续恢复。可以使用 let quill_deltas = JSON.stringify(this.quill.getContents());得到。其中, this.quill 是通过$refs获取到的模块内部信息。恢复时，我们读取上一次编辑的DELTAS信息，使用 this.quill.setContents(quill_deltas); 即可回复之前的状态。

原创文章地址：【在Vue.js中使用Quill富文本编辑器自定义块级元素】转载时请注明出处mhy12345.xyz！

Efficient Large-scale Approximate Nearest Neighbor Search on the GPU 阅读笔记 – 实现与分析

由于篇幅太长，这篇文章的Introduction和Related Work在另一篇文章里。

PQT的简介

乘积量化树(Product Quantization Tree)是基于多层倒排表(Inverted Multi-Index)和分层PQ算法形成的。其核心思想将之前的一个码书(Codebook)修改为基于层次化的树形结构。树形结构可以加速实时的查询，以及离线的排序。相比于之前的多层倒排表，PQT拥有更多地簇(Bins)。最后PQT还巧妙地运用一些技巧在重排序中服用之前计算过的距离值。

右图阐述了一个PQT查询的例子。查询向量[x]_1和[x]_2的各个部分一次经过4个Cluster的粗排序和5个Cluster的精排序。对于第一层而言，只有w个最佳的Cluster可以到下一层继续搜索，如图中阴影部分所示(w=2)。

PQT的结构

将样本集合中所有的向量x \in \mathcal{X}归类为簇B_l从而形成若干个互不相交的子集，\mathcal{X} = \bigcup_{k=1}^{K} B_k。接下来，我们将详述如何将一个向量映射到簇中，即如何构造映射m : \mathcal{X} \rightarrow \mathcal{I}_1 \times \mathcal{I}_2 \times \dots \times \mathcal{I}_P。

索引树包含两层量化器，第一层是传统的P部分(P part)的PQ量化器，在这个量化器中，每一部分的码表含有k_1个码字。在第一层量化器之后，选出的簇进一步使用第二层k_2个码字的量化器量化。这种方法中，总共存在的簇有K = (k_1 \cdot k_2)^P个。

对于码书的训练，每一部分独立生成码书，首先量化器使用Lloyd Iteration中的Linde-Buzo-Gray算法生成，所有第一层量化器分出的簇进一步使用第二层量化。

对比在多层倒排表中，使用了两级的乘积量化，其中第二级用于排序，我们也用两级索引，至于为什么是两级，只是从经验上来看，两级能够最好得平衡簇的总个数。

PQT的询问操作

一个实际的询问操作包含四个步骤——

  • tree traversal
  • bin proposal
  • vector proposal
  • re-ranking

在tree-traversal步骤中，正如之前对PQT结构的叙述，每一个向量都能归类为一个level-2的簇中。通过剪枝的策略，tree-traversal步骤使用的向量比较次数实际上是相对较少的。在比较了所有k_1个level-1簇后，询问向量距离每一个簇的距离被排序，并且只有最近的w个簇被进一步计算。在提取出了最近的w个level-1簇，接下来这些level-1簇所对应的level-2簇的中心再和询问向量进行比较。在标准参数下，在四百万簇的数据集下，只需要80次向量比较。具体细节可参见论文。

在bin-proposal步骤中，从我们获取的“最好的”簇i=(i_{1,1},i_{2,1},\dots,i_{P,1})开始，我们仍然需要一系列临近的簇，以保证在后续的处理中，有足够多的向量可供选择。正如右图所示，我们需要找到一个顺序，合理组织“次好”的向量，使得遍历完所有较近向量的这组合。着这种便利，通常来说，可以看做是一个斜线从左下向右上方移动维护的下方区域。具体的实现方式，绿线是Dijkstra-based traverse，但是无法再GPU上面实现，而红色、绿色线则是可行的。对于每一个簇，我们都可以在离线阶段预处理出最近的簇。

使用Line Quantization进行重排序

通过上述的索引，每一个询问向量都被归类于最近的簇，并获得了一个量化损失(quantization loss)。在传统方法中，我们就需要依次对于簇所包含的所有向量进行比较，但是显然这样会有巨大的花销。而在我们的算法中，我们重用了一些信息以达到更优的效率。

离线预处理

在传统方法中，一个簇所包含的所有向量是不可分的，这就导致了我们必须花巨大的计算力去依次比较所有的向量。 文中提出的Line Quantization巧妙地解决了向量不可分的问题。即，虽然每一个向量【黑点】相对于level-2簇中心【红点】是不可区分。但是他却可以被投影到两个最近level-1簇中心的连线上【紫点】。巧妙的是，对于所有level-1中心，询问的x_1点与他们的距离都是已经算过的！

右图描述了如何计算对于任意询问向量y距离某一个数据库样本x的距离。其中，c_i,c_j为两个距离x很近的level-1簇中心。

 

(1)   \begin{align*} d(y,x) &= \sum_{p=1}^{P} d([y]_p, [x]_p)^2 \\ & \apporx \sum_{p=1}^{P} h_p(y,x)^2 \\ & \apporx \sum_{p=1}^{P} (b_p^2 + \lambda_p^2 \cdot c_p^2 + \lambda_p \cdot (a_p^2-b_p^2-c_p^2)) \end{align*}

通过这个式子，我们可以用我们之前计算过的，询问向量距离level-1簇中心的距离信息，为x找到一个更加精确的距离估计值。

在GPU上实现

这个模型非常适合在GPU上面实现，不过由于我并不太了解GPU的实现，顾就不在这里赘述，读者可以对照论文自行理解。

原创文章地址：【Efficient Large-scale Approximate Nearest Neighbor Search on the GPU 阅读笔记 – 实现与分析】转载时请注明出处mhy12345.xyz！

The Design Philosophy of the DARPA Internet Protocols 论文阅读报告

本文介绍了Internet中最基本的协议——TCP/IP协议的设计思想。由David.D Clack所著，他作为整个TCP/IP协议设计的参与者，见证了协议从1973年最初的版本，逐渐被改进，到最终成型的一系列尝试。在文章中，作者总结了设计中的一系列目标，以及存在的问题。让我们得以窥见这一段艰辛的摸索之路。

各种协议的设计，其基本目标无非两个： 1) 能够尽可能的兼容协议发布之前已存在的硬件设施； 2)能够尽可能的有利于协议发布之后的因特网发展。这些基本目标不仅为我们理解TCP/IP的后续发展有帮助，也能够让我们知道，为什么在计算机科学领域，很多的实现都是建立在“协议”上的。

在基本目标之上，人们基于对于因特网的畅想，设计出了一系列有严格层次关系的次级目标，如稳定性，经济性，可解释性等。由于Internet协议的设计流程过于复杂，常常会遇到两种不同实现方式的权衡取舍，由于实现确立了稳定性、经济性这一类不同目标的重要性排序，故可以基于此进行取舍。这种目标导向的协议构建，一方面确实省去了非常多的试错的时间，另一方面，却会缺少一些长远的考虑（例如由于对性能的要求并没有卸载目标中，导致性能在早期完全没有被重视等等，又例如一对多的信息传递没有在早期协议中支持，导致在长时间无法实现）。

互联网协议的稳定性作为最重要的目标，毫无疑问来自于互联网历史上的军方背景。也在之后的普及中发现其局限性，报文协议(UDP)的诞生或多或少的解决了这个尴尬的境地。不过UDP能够成功诞生还是算非常幸运的了，通常来说协议的修改总是耗时耗力，有时还会和原来的协议冲突，诸如一对多的广播就一直没有能够成功的引入。总之，协议设计者的远见与用心真的是非常的重要。而TCP/IP协议的设计流程，从文中提到的寥寥几句可以推测出，确实不是设计者拍脑袋的结果，而是无数次试验，并用一篇篇论文推动而来的。反观现在良莠不齐的学术论文，我觉得在协议设计中的这种，基于某个具体目标驱动的研究，才是能让学术界向前推进的正确方法。

由于网络的协议的更改需要兼容之前的功能，而论文写作至今又过去了接近30年，TCP/IP协议在30年前存在的缺陷，随着互联网体量的增大，在现在解决更需要花费巨大的人力财力。IPV6协议的创立可能会解决少量表层问题，但是很多结构上的缺陷仍然无从修复。可能这是计算机网络领域的一大难题。期待在未来，能有技术上的爆炸性突破，其力量，能够足以颠覆计算机领域坚守了三十余年的TCP/IP协议。也许量子通信就是这样的潜力吧。

原创文章地址：【The Design Philosophy of the DARPA Internet Protocols 论文阅读报告】转载时请注明出处mhy12345.xyz！