当前位置: 首页 > news >正文

计算机网络-应用层(3)

一、FTP

        文件传输协议 (File Transfer Protocol,FTP) 简称为“文传协 议”,用于在Internet上控制文件的双向传输。 FTP 客户上传文 件时,通过服务器20号端口建立的连接是建立在TCP 之上的 据连接,通过服务器21号端口建立的连接是建立在TCP 之上的控制连接。

FTP 协议有两种工作方式:主动式 (PORT)  和被动式 (PASV)。

主动与被动是相对于服务器是否首先发起数据连接而言的。

(1)主动式 (PORT)

主动式 (PORT)  的连接过程:

1)当需要传输数据时,客户端从一个任意的非系统端口N(N≥1024) 连接到FTP 服务器的21号端口(控制连接端口)。

2)客户端开始监听端口N+1 并发送FTP 命令 Port N+1”到FTP 服务器。

3)服务器会从20号数据端口向客户端指定的N+1 号端口发送连接请求并建立一条数据链路来传送数据。 

(2)被动式 (PASV)

        在被动方式FTP 中,命令连接和数据连接都由客户端发起,这样就可以解决从服务器到客户端的数据端口的入方向连接被客户端所在网络防火墙过滤掉的问题。

被动式 (PASV)  的连接过程:

1)当需要传输数据时,客户端从一个任意的非系统端口N(N≥1024) 连接到FTP 服务器的21号端口(控制连接端口)。

2)客户端发送PASV 命令,且服务器响应。

3)服务器开启一个任意的非系统端口Y(Y≥1024)。

4)客户端从端口 N+1 连接到FTP 服务器的Y号端口。

二、SNMP 

(1)OSI定义的网络管理功能

OSI定义的网络管理功能有以下5大类。

(1)性能管理 (Performance  Management)

(2)配置管理 (Configuration  Management)

(3)故障管理 (Fault Management)。

(4)安全管理 (Security  Management)

(5)计费管理 (Accounting  Management)

(2)网络管理系统组成

 网络管理系统由以下4个要素组成:

(1)管理站 (Network   Manager)。

(2)代理 (Agent)。

(3)管理信息库 (Management Information      Base,MIB)

(4)网络管理协议。

(3)SNMP  PDU

        简单网络管理协议 (SNMP)   是在应用层上进行网络设备间通信的管理协议,可以进行网络状态监视、网络参数设定、网络流量统计与分析、发现网络故障等。 SNMP  基于UDP 议,是一组标准,由SNMP 协议、管理信息库 (MIB)  和管理信息结构 (SMI) 组成。

        SNMP  规定了5个重要的协议数据单元PDU,    SNMP  文。 SNMP  报文可以分为从管理站到代理的SNMP  报文和从代理到管理站的SNMP  报文。

从管理站到代理的SNMP报文

从代理到管理站的 SNMP报文

从一个数据项取数据

把值存储到一个数据项

Get-Request

(从代理进程处提取一

个或多个数据项)

Set-Request

(设置代理进程的一个 或多个数据项)

Get-Response

(这个操作是代理进程 作为对Get-Request Get-Next-Request、

Set-Request的响应)

Get-Next-Request

(从代理进程处提取一 个或多个数据项的下一 个数据项)

Trap

(代理进程主动发出的 报文,通知管理进程有 某些事件发生)

         SNMP 协议实体发送请求和应答报文的默认端口号是161,SNMP 代理发送陷阱报文 (Trap) 的默认端口号是162。目前SNMP 有SNMPv1、SNMPv2、SNMPv3     三个版本。

版本

特点

SNMPv1

易于实现、使用团体名认证(属于同一团体的管理站和被 管理站才能互相作用)

SNMPv2

可以实现分布和集中两种方式的管理;增加管理站之间的 信息交换;改进管理信息机构(可以一次性取大量数据); 增加多协议支持;引入了信息模块的概念(模块有MIB  块、MIB的依从性声明模块、代理能力说明模块)

SNMPv3

模块化设计,提供安全的支持,基于用户的安全模型

(4) SNMPv3 安全分类

         SNMPv3 中共有两类安全威胁是一定要提供防护的:主要安全威胁和次要安全威胁。

1)主要安全威胁。

        主要安全威胁有两种:修改信息和假冒。修改信息是指擅自修改SNMP 报文,篡改管理操作,伪造管理对象;假冒就是冒充用户标识。

2)次要安全威胁。

        次要安全威胁有两种:修改报文流和消息泄露。修改报文流可能出现乱序、延长、重放的威胁;消息泄露则可能造成SNMP之间的信息被窃听。

        另外有两种服务不被保护或者无法保护:拒绝服务和通信分析。

(5)SNMP 轮询监控

        SNMP 采用轮询监控方式,管理者按一定时间间隔向代理获取 管理信息,并根据管理信息判断是否有异常事件发生。当管理对象发生紧急情况时,可以使用名为Trap信息的报文主动报告。

         假定在SNMP 网络管理中,轮询周期为N, 单个设备轮询时间为T, 网络没有拥塞,则

支持的设备数X=轮询周期N / 单个设备轮询时间T

        例如,某局域网采用SNMP 进行网络管理,所有被管设备在每15分钟内轮询一次,网络没有明显拥塞,单个轮询时间为0.4s, 则该管理站最多可支持X=N/T=(15×60)÷0.4=2250 设备。

(6)管理信息库

        管理信息库 (Management  Information  Base)MIB 指定主机和路由器等被管设备需要保存的数据项和可以对这些数据项进行的操作。换句话说,就是只有在MIB 中的对象才能被SNMP 管理。目前使用的是MIB-2。

类别(标号)

描述

system(1)

主机、路由器操作系统

interface(2)

网络接口信息

Address translation(3)

地址转换(已经废弃多年)

ip(4)

IP信息

icmp(5)

ICMP信息

tcp(6)

TCP信息

udp(7)

UDP信息

egp(8)

EGP信息

cmot(9)

CMOT信息(废弃多年)

(6)管理信息结构

        SMI定义了命名管理对象和定义对象类型(包括范围和长度)的通用规则,以及把对象和对象的值进行编码的规则。 SMI的功能:命名被管理对象、存储被管对象的数据类型、编码管理数据。所有被管对象必须在对象命名树上,如图6-10所示为对象命名树的一部分。图中节点IP下名为ipInReceives的MIB 变量名字全称为iso.org.dod. internet.mgmt.mib.ip. iplnReceives, 对应数值为1.3.6.1.2.1.4.3。

三、Telnet

        TCP/IP终端仿真协议 (TCP/IP Terminal Emulation Protocol,Telnet) 是一种基于TCP 的虚拟终端通讯协议,端口号为23。

四、代理服务器

        代理服务器 (Proxy Server) 处于客户端和需要访问网络之间,客户向网络发送信息和接收信息均通过代理服务器转发而实现。

五、SSH

        安全外壳协议 (Secure  Shell,SSH) 是目前较可靠、专为远程登录会话和其他网络服务提供安全性的协议。

六、VolP

        VolP(Voice overInternet Protocol) 就是将模拟声音信号数字化,通过数据报在IP数据网络上做实时传递。

 

相关文章:

计算机网络-应用层(3)

一、FTP 文件传输协议 (File Transfer Protocol,FTP) 简称为“文传协 议”,用于在Internet上控制文件的双向传输。 FTP 客户上传文 件时,通过服务器20号端口建立的连接是建立在TCP 之上的数 据连接,通过服务器21号端口建立的连接是建立在TCP 之上的控制连…...

虎去兔来(C++)

系列文章目录 进阶的卡莎C++_睡觉觉觉得的博客-CSDN博客数1的个数_睡觉觉觉得的博客-CSDN博客双精度浮点数的输入输出_睡觉觉觉得的博客-CSDN博客足球联赛积分_睡觉觉觉得的博客-CSDN博客大减价(一级)_睡觉觉觉得的博客-CSDN博客小写字母的判断_睡觉觉觉得的博客-CSDN博客纸币(…...

docker基础镜像定制

docker基础镜像定制 1 简言2.准备软件源文件sources.list3.制作基础镜像3.1 编写Dockerfile命令3.2 制作基础镜像k8sbase1.03.3 测试基础镜像1 简言 官方基础镜像一般自带的linux命令是比较少,tcpdump、telnet登等命令是没有的,这时,定制一套适合自己的基础镜像是必要的,在…...

解决git action定时任务执行失败的方法

为了测试git action定时任务是否有效,你可能选择一个最近的时间测试, 但是发现怎么也触发不了,是不是觉得很苦恼。但是同样的时间,在第二天的定时任务又能成功运行。 这是什么原因? 原因就在上图,git act…...

Node编写重置用户密码接口

目录 前言 定义路由和处理函数 验证表单数据 实现重置密码功能 前言 接前面文章,本文介绍如何编写重置用户密码接口 定义路由和处理函数 路由 // 重置密码的路由 router.post(/updatepwd, userinfo_handler.updatePassword) 处理函数 exports.updatePasswo…...

Day13力扣打卡

打卡记录 奖励最顶尖的 k 名学生(哈希表排序) 用哈希表对所有的positive与negative词条进行映射,然后遍历求解。tip:常用的分割字符串的操作:1.stringstream配合getline() [格式buf, string, char]2.string.find()[find未找到目标会返回npos…...

独立开发者知识贴

有一个github仓库,叫做独立开发变现周刊,很不错,作者能从21年能坚持更新到现在,我很佩服。 它里边有很多独立开发者成功的作品案例,我对这些很感兴趣。 在阅读时,我会问自己以下几个问题: 解…...

软考系列(系统架构师)- 2009年系统架构师软考案例分析考点

试题一 软件架构设计 【问题1】(9分) 软件质量属性是影响软件架构设计的重要因素。请用200字以内的文字列举六种不同的软件质量属性名称并解释其含义。 常见的软件质量属性有多种,例如性能(Performance)、可用性(Ava…...

C语言每日一题(21)删除排序数组中的重复项

力扣 26.删除排序数组中的重复项 题目描述 给你一个 非严格递增排列 的数组 nums ,请你 原地 删除重复出现的元素,使每个元素 只出现一次 ,返回删除后数组的新长度。元素的 相对顺序 应该保持 一致 。然后返回 nums 中唯一元素的个数。 考…...

如何快速解决d3dcompiler_43.dll缺失问题?五种方法快速解决

在计算机使用过程中,我们常常会遇到一些错误提示,其中之一就是“D3DCompiler_43.dll缺失”。这个错误通常会导致游戏、应用程序或系统无法正常运行。为了解决这个问题,我们需要采取一些修复方案来恢复缺失的文件。本文将介绍五个修复D3DCompi…...

mongodb数据迁移的方法

这个方法只能将数据从一个mongo数据库转移到另一个mongo数据库 这个命令可以备份mongo数据(mongo数据库中的数据备份转换为文件) mongodump --host HOST --port PORT --username USERNAME --password PASSWORD --db DB -c COLLECTION --out OUT这个命令…...

Spring MVC 中文文档

1. Spring Web MVC Spring Web MVC是建立在Servlet API上的原始Web框架,从一开始就包含在Spring框架中。正式名称 “Spring Web MVC” 来自其源模块的名称( spring-webmvc),但它更常被称为 “Spring MVC”。 与Spring Web MVC并…...

RedissonCach的源码流程

上: https://blog.csdn.net/Michelle_Zhong/article/details/126384566 中: https://blog.csdn.net/michelle_zhong/category_11874153.html 下: https://blog.csdn.net/Michelle_Zhong/article/details/126391915?ops_request_misc%257B%…...

spring-基于注解管理bean

基于注解管理bean 一、标记与扫描1、引入依赖2、创建spring配置文件3、创建组件4、扫描组件4.1、基本扫描&#xff1a;4.2、指定要排除的组件4.3、仅扫描指定组件 二、基于注解的自动装配 一、标记与扫描 1、引入依赖 <dependencies> <!-- 基于Maven依赖传递性&…...

数据挖掘(7.1)--数据仓库

目录 引言 一、数据库 1.简介 2.数据库管理系统(DBMS) 二、数据仓库 数据仓库特征 数据仓库作用 数据仓库和DBMS对比 分离数据仓库和数据库 引言 数据仓库的历史可以追溯到20世纪60年代&#xff0c;当时计算机领域的主要工作是创建运行在主文件上的单个应用&#xff0…...

Vue3问题:如何实现密码加密登录?前后端!

前端功能问题系列文章&#xff0c;点击上方合集↑ 序言 大家好&#xff0c;我是大澈&#xff01; 本文约3400字&#xff0c;整篇阅读大约需要6分钟。 本文主要内容分三部分&#xff0c;第一部分是需求分析&#xff0c;第二部分是实现步骤&#xff0c;第三部分是问题详解。 …...

【爬虫】python打包可执行程序(ui界面制作完成后)

1.安装pyinstaller pip install pyinstaller可能出现连接超时安装不上的情况,可以切换源进行下载 pip install -i http://pypi.douban.com/simple/ pyinstaller2.打包程序 pyinstaller xxxxx.py --noconsole --hidden-import PySide6.QtXml...

取Dataset子集(pytorch)

取Dataset子集--pytorch 1. why2. how3. example 1. why 我们在调试深度学习代码时&#xff0c;常常会遇到数据集太大&#xff0c;导致调试浪费时间的情况&#xff0c;这种情况下&#xff0c;将数据集中的一个子集拿出来用于调试代码&#xff0c;调试成功在用完整的数据集运行…...

如何选择消息队列

作为一个程序员&#xff0c;我们必须要认识到&#xff0c;软件工程中是不存在”银弹“的。<!--more--> 在消息队列的选型问题上&#xff0c;也是同样的道理。并不存在哪个消息队列就是最好的&#xff0c;能够解决所有的问题。常用的消息队列有好几个&#xff0c;每一种都…...

读取mysql数据库表结构生成接口文档

1、引入依赖 <!-- 导出word --><dependency><groupId>org.freemarker</groupId><artifactId>freemarker</artifactId><version>2.3.30</version></dependency><!-- https://mvnrepository.com/artifact/e-iceblue/s…...

RPR方法:利用惯性主轴实现分子向量性质的快速准确预测

1. 项目概述&#xff1a;为什么分子向量预测是个“方向感”难题&#xff1f;在计算化学和材料模拟的日常工作中&#xff0c;我们常常需要预测分子的各种性质。其中&#xff0c;像能量这样的标量性质相对“好说话”——无论你把分子怎么转&#xff0c;它的总能量是不变的。所以&…...

HAR模型调优实战:为何精心调优的线性模型能击败复杂机器学习?

1. 项目概述&#xff1a;当HAR模型遇上机器学习&#xff0c;一场关于“调优”的较量在金融计量和量化交易领域&#xff0c;预测明天的市场波动率&#xff0c;就像试图预测一场风暴的强度&#xff0c;充满了挑战但也至关重要。无论是为了给衍生品定价、管理投资组合风险&#xf…...

算法公平性评估:如何用自洽性与方差分析区分真实偏见与随机噪声

1. 项目概述&#xff1a;为什么我们需要关注算法评估中的“噪声”&#xff1f;在算法公平性研究领域&#xff0c;我们常常看到这样的结论&#xff1a;“模型在A群体上的误报率&#xff08;FPR&#xff09;比B群体高X个百分点&#xff0c;因此存在不公平。” 然而&#xff0c;作…...

Claude医学文献分析准确率实测:对比GPT-4o、Gemini 2.0与专业文献数据库(n=1,847篇RCT,Kappa=0.91)

更多请点击&#xff1a; https://codechina.net 第一章&#xff1a;Claude医学文献分析案例 在临床研究与循证医学实践中&#xff0c;研究人员常需从海量PubMed、NEJM或Lancet等来源的PDF或HTML格式文献中快速提取关键信息。Claude系列大模型凭借其长上下文&#xff08;最高20…...

保姆级教程:用Python+Plotly可视化分析ROS机器人地图分区算法(附代码)

从零实现ROS地图分水岭算法&#xff1a;PythonPlotly动态可视化实战当你第一次看到机器人构建的二维栅格地图时&#xff0c;那些黑白相间的像素块可能只是冰冷的数字矩阵。但在地图分区算法的视角下&#xff0c;每个像素的高度值都代表着"水位"的涨落&#xff0c;而整…...

量子机器学习核心算法解析:从量子比特到PCA与K-means实践

1. 量子信息基础&#xff1a;从比特到算法的跃迁在经典计算的世界里&#xff0c;信息的基本单位是比特&#xff0c;它非0即1&#xff0c;清晰明了。但当我们踏入量子计算的领域&#xff0c;一切规则都变得不同。量子信息的基本单元是量子比特&#xff0c;它不再局限于单一的0或…...

SELA框架:融合MCTS与LLM的智能AutoML新范式

1. SELA框架&#xff1a;当MCTS的“棋手”思维遇上LLM的“专家”直觉在数据科学项目里&#xff0c;最耗时的往往不是敲代码&#xff0c;而是做决策。面对一个新的表格数据集&#xff0c;从数据清洗、特征工程到模型选型、调参&#xff0c;每一步都像站在一个岔路口&#xff0c;…...

社区检测技术演进与HPMOCD多目标优化实践

1. 社区检测技术演进与多目标优化挑战社区检测作为复杂网络分析的核心技术&#xff0c;其发展历程经历了从启发式方法到数学优化&#xff0c;再到多目标协同进化的三个阶段。早期的GN算法采用边介数作为分裂标准&#xff0c;虽然结果精确但计算复杂度高达O(n)。2008年提出的Lou…...

机器学习赋能智能建筑:从能耗预测到个性化舒适度优化

1. 项目概述&#xff1a;当机器学习遇见智能建筑如果你在写字楼里工作&#xff0c;大概率经历过这样的场景&#xff1a;夏天&#xff0c;靠近空调出风口的同事裹着毯子瑟瑟发抖&#xff0c;而角落里的同事却在默默擦汗&#xff1b;冬天&#xff0c;会议室里有人喊热要开窗&…...

统计学习理论:从VC维到泛化误差,构建稳健CV系统的数学基石

1. 项目概述&#xff1a;从“炼丹”到“建楼”的范式转变在计算机视觉和机器学习这个圈子里混了十几年&#xff0c;我见过太多“炼丹”的场景了。大家热衷于调参、换模型、堆数据&#xff0c;一个模型效果好&#xff0c;大家就一拥而上&#xff0c;但很少有人能说清楚它为什么好…...