网络层协议:ICMP

网络层协议:IP与ICMP协议 ICMP(Internet Control Message Protocol,互联网控制报文协议)是 TCP/IP 协议族的核心协议之一,主要用于在 IP 网络中传递控制信息和错误报告。它通常被网络设备(如路由器、主机)用于诊断网络状态,例如检测连通性(如ping命令)或报告错误(如目标不可达)。 阅读详情

互联网控制消息协议(英语:Internet Control Message Protocol,缩写:ICMP)是互联网协议族的核心协议之一。它用于网际协议(IP)中发送控制消息,提供可能发生在通信环境中的各种问题反馈。通过这些信息,使管理者可以对所发生的问题作出诊断,然后采取适当的措施解决。

ICMP [1]依靠IP来完成它的任务,它是IP的主要部分。它与传输协议(如TCP和UDP)显著不同:它一般不用于在两点间传输数据。它通常不由网络程序直接使用,除了 ping 和 traceroute 这两个特别的例子。 IPv4中的ICMP被称作ICMPv4,IPv6中的ICMP则被称作ICMPv6。

技术细节[编辑]

ICMP是在 RFC 792 中定义的互联网协议族之一。通常用于返回的错误信息或是分析路由。ICMP错误消息总是包括了源数据并返回给发送者。 ICMP错误消息的例子之一是TTL值过期。每个路由器在转发数据报的时候都会把IP包头中的TTL值减1。如果TTL值为0,“TTL在传输中过期”的消息将会回报给源地址。 每个ICMP消息都是直接封装在一个IP数据包中的,因此,和UDP一样,ICMP是不可靠的。

虽然ICMP是包含在IP数据包中的,但是对ICMP消息通常会特殊处理,会和一般IP数据包的处理不同,而不是作为IP的一个子协议来处理。在很多时候,需要去查看ICMP消息的内容,然后发送适当的错误消息到那个原来产生IP数据包的程序,即那个导致ICMP消息被发送的IP数据包。

很多常用的工具是基于ICMP消息的。traceroute 是通过发送包含有特殊的TTL的包,然后接收ICMP超时消息和目标不可达消息来实现的。 ping 则是用ICMP的"Echo request"(类别代码:8)和"Echo reply"(类别代码:0)消息来实现的。

ICMP报文结构[编辑]

报头[编辑]

ICMP报头从IP报头的第160位开始(IP首部20字节)(除非使用了IP报头的可选部分)。

Bits160-167168-175176-183184-191
160TypeCode校验码(checksum)
192Rest of Header
  • Type - ICMP的类型,标识生成的错误报文;
  • Code - 进一步划分ICMP的类型,该字段用来查找产生错误的原因.;例如,ICMP的目标不可达类型可以把这个位设为1至15等来表示不同的意思。
  • Checksum - Internet校验和(RFC 1071),用于进行错误检查,该校验和是从ICMP头和以该字段替换为0的数据计算得出的。
  • Rest of Header - 报头的其余部分,四字节字段,内容根据ICMP类型和代码而有所不同。

填充数据[编辑]

填充的数据紧接在ICMP报头的后面(以8位为一组):

  • Linux的"ping"工具填充的ICMP除了8个8位组的报头以外,默认情况下还另外填充数据使得总大小为64字节。
  • Windows的"ping.exe"填充的ICMP除了8个8位组的报头以外,默认情况下还另外填充数据使得总大小为40字节。

报文类型[编辑]

类型代码 状态描述 查询 差错
0 - Echo Reply 0 echo响应 (被程序ping使用) ●
1 and 2 未分配保留 ●
3 - 目的不可达 0 目标网络不可达 ●
1 目标主机不可达 ●
2 目标协议不可达 ●
3 目标端口不可达 ●
4 要求分段并设置DF flag标志 ●
5 源路由失败 ●
6 未知的目标网络 ●
7 未知的目标主机 ●
8 源主机隔离(作废不用) ●
9 禁止访问的网络 ●
10 禁止访问的主机 ●
11 对特定的TOS 网络不可达 ●
12 对特定的TOS 主机不可达 ●
13 由于过滤 网络流量被禁止 ●
14 主机越权 ●
15 优先权终止生效 ●
4 - 源端关闭 0 弃用源端关闭(拥塞控制) ●
5 - 重定向 0 重定向网络 ●
1 重定向主机 ●
2 基于TOS 的网络重定向 ●
3 基于TOS 的主机重定向 ●
6 弃用备用主机地址
7 未分配 保留
8 - 请求回显 0 Echo请求 ●
9 - 路由器通告 0 路由通告 ●
10 - 路由器请求 0 路由器的发现/选择/请求 ●
11 - ICMP 超时 0 TTL 超时 ●
1 分片重组超时 ●
12 - 参数问题:错误IP头部 0 IP 报首部参数错误 ●
1 丢失必要选项 ●
2 不支持的长度
13 - 时间戳请求 0 时间戳请求 ●
14 - 时间戳应答 0 时间戳应答 ●
15 - 信息请求 0 弃用信息请求 ●
16 - 信息应答 0 弃用信息应答 ●
17 - 地址掩码请求 0 弃用地址掩码请求 ●
18 - 地址掩码应答 0 弃用地址掩码应答 ●
19 保留因安全原因保留
20 至 29 保留Reserved for robustness experiment
30 - Traceroute 0 弃用信息请求
31 弃用数据报转换出错
32 弃用手机网络重定向
33 弃用Where-Are-You(originally meant for IPv6)
34 弃用Here-I-Am(originally meant for IPv6)
35 弃用Mobile Registration Request
36 弃用Mobile Registration Reply
37 弃用Domain Name Request
38 弃用Domain Name Reply
39 弃用SKIP Algorithm Discovery Protocol, Simple Key-Management for Internet Protocol
40 Photuris, Security failures
41 实验性的ICMP for experimental mobility protocols such as Seamoby [RFC4065]
42 到 255 保留保留
235 实验性的 RFC3692( RFC 4727)
254 实验性的 RFC3692( RFC 4727)
255 保留 保留
IP、ARP、RARP、ICMP、IGMP(网络协议:网络层协议) 面试和笔试中,如果记住下面这张图,基本就能解决网络协议中70%的问题。需要记住: OSI模型和TCP/IP模型每一层名称; 每一层对应有哪些协议,或者说给出该协议要知道对应那一层; 该协议是基于TCP还是UDP的; 除了上图,如果还能记住该协议的功能就可以解决笔试中99%的网络协议问题,下面介绍网络层的各种协议。 网络层传输协议 IP IP所提供的服务通常被认为是无连接的和不可靠的,它将差错控制和流量控制之类的服务授权给了其他的各层协议,这正是TCP/IP 能够高效率工作的一个重要保证。网络层的功能主 阅读详情

相关推荐

惯性导航原理(九)-INS的初始对准-初始姿态确定+双矢量定姿

文章目录INS的初始对准INS初始化静基座/静态粗对准静态粗对准—加速度计调平原理加速度计调平静态粗对准—陀螺罗盘思考初始对准的影响因素双矢量定姿原理静态解析粗对准—双矢量定姿静态解析粗对准(续)其它初始对准方法精对准动对准 INS的初始对准 INS的初始对准为初始化的一部分 INS初始化 初始位置: 给定(INS没有初始位置确定的能力,例如从GPS ) 初始速度: 零(静止状态)或给定 初始姿态: 初始对准(INS有能力自己测资态) 粗对准vs. 精对准 静止状态vs. 运动状态 重要性: 失之毫厘,谬

十八与她的博客 1万+

ICMP (互联网控制消息协议 )是什么

互联网控制消息协议(英语:InternetControlMessageProtocol,缩写:ICMP)是互联网协议族的核心协议之一。它用于TCP/IP网络中发送控制消息,提供可能发生在通信环境中的各种问题反馈,通过这些信息,使管理者可以对所发生的问题作出诊断,然后采取适当的措施解决。ICMP依靠IP来完成它的任务,它是IP的主要部分。它与传输协议(如TCP和UDP)显著不同:它一般不用于...

愿我如星君如月 ... 夜夜流光相皎洁 ... 4483

AIR780E二次开发点灯(LuatOS)

Air780E的LuatOS点灯教程,二次开发教程,可用于所有ec618平台,无需SDK

rootuseres的博客 1万+

网络层协议——ICMP协议

一、ICMP协议的概念 1、ICMP协议是TCP/IP协议栈中的网络层的一个协议,ICMP是(Internet Control Message Protocol) Internet控制报文协议,用于在IP主机、路由器之间传递控制消息。控制消息是指网络通不通、主机是否可达、路由是否可用等网络本身的消息。 2、 ICMP报文是在IP数据报内部被传输的, 它封装在IP数据报内。ICMP报文通常被IP层或更高层协议(TCP或UDP)使用。一些ICMP报文把差错报文返回给用户进程。 二、常见的ICMP报文的类型

kxbdys的博客 1万+

LabVIEW波形图表时间轴设置:三种方法实现横坐标显示日期时间

在数据采集与设备监控场景中,波形图表的横坐标默认显示采样点序号而非日期时间,这给工程师分析历史数据带来不便。理解时间标识(Timestamp)的本质——一个自1904年起算的双精度秒数,是解决问题的关键。时间轴设置既是显示格式问题,更是数据层与显示层的协同设计。通过属性节点动态生成刻度标签、将时间标识数组直接作为X轴数据、或使用波形数据(Waveform)类型绑定t0与dt,分别适用于固定点数显示、非等间隔事件记录和等间隔连续采样等不同需求。合理选择方案并注意缓冲区预分配与时间连续性处理,可让波形图表准确呈

weixin_33416697的博客 258

经典损失函数——均方误差(MSE)和交叉熵误差(CEE)的python实现

损失函数(loss function)用来表示当前的神经网络对训练数据不拟合的程度。这个损失函数有很多,但是一般使用均方误差和交叉熵误差等。 1.均方误差(mean squared error) 先来看一下表达式: 用于将的求导结果变成,是神经网络的输出,是训练数据的标签值,k表示数据的维度。 用python实现: def MS...

Answer3664的博客 1万+

icmp基于tcp还是udp_带你深入熟悉你所不知道的ICMP

(合集系列,点击图片进入即可,可能你之前错过了哦,不可多得的实战)(后期更新新的内容都是群里通知,也方便大家交流)简介Internet Control Messages Protocol 因特网控制报文协议,经常被认为是IP层的一个组成部分。它传递差错报文以及其他需要注意的信息。ICMP报文通常被IP层或更高层协议(TCP或 UDP)使用。一些ICMP报文把差错报文返回给用户。ICMP是...

weixin_39820177的博客 6705

什么是深度展开网络?如何将迭代算法的每一次迭代展开成深度网络对应的一层?深度展开网络进行端对端训练,其中端对端是什么意思?

在深度学习和机器学习的背景下,“端到端”(End-to-end)训练指的是将输入数据直接映射到最终输出的过程,而不需要任何中间的手动数据预处理或特征工程。- **自然语言处理**:端到端自然语言处理系统可以将自然语言输入直接转化为计算机可理解的语言输出,而不需要对语言进行分解和转化。- **推荐系统**:通过使用深度神经网络,端到端推荐系统可以直接根据用户历史行为预测其未来的兴趣爱好,并推荐相应的产品或服务。4. **直接映射**:从输入到输出的直接映射,中间没有任何拆分或分解的过程。

m0_67897882的博客 5442

ICMP涉及的RFC清单和简介

通过IETF上的搜索,发现涉及到ICMP的RFC文档一共有以下19个: RFC791 Internet Protocol 介绍了IP协议的内容,规范。同其他协议的联系,IP头部的格式 RFC792 Internet Control Message...

weixin_34021089的博客 1171

GPIB通讯的代码怎么写

GPIB(General Purpose Interface Bus)是一种用于连接计算机和测试设备的接口标准。 在写 GPIB 通讯的代码时,首先需要在计算机上安装 GPIB 驱动程序。然后,使用相应的编程语言和 GPIB 库函数来操作 GPIB 设备。 下面是一个使用 Python 语言和 pyvisa 库来实现 GPIB 通讯的示例代码: import visa# 创建 Visa 资源管理器...

weixin_35752645的博客 1549

量化交易零基础入门教程

特点 从零开始教编程。靠谱的量化交易学习资源稀少,且具有不讲编程、代码较难、过多等不适合新手等问题,本教程中则会从零开始教编程,解决量化入门过难过编程门槛这一问题。 量化与编程相结合。本教程不仅会教编程,而且会尽量结合量化情景,减少“我要做量化交易为什么要看这些用来培训程序员的东西”的愤懑。 简易精炼,快速入门。尽量只讲最核心最常用的知识,助你快速摆脱想学习量化却处处陌生不知所措的茫然的新手阶段。 读前说明 文后会有自测与自学,包括一些额外的延伸自学内容以及稍有难度的自测题目。 最最最基础的股票.

JanLEE 2889

网络层协议全景剖析:IP、ICMP、ARP原理与实战

网络层是数据通信的“核心枢纽”,它决定了数据包如何跨越千山万水准确抵达目的地。本文将为你深度拆解网络层的三大核心协议:IP协议如何封装数据、ICMP协议如何诊断网络、ARP协议如何解析地址。你将不仅理解理论,还能通过eNSP实验亲手抓包,亲眼验证IP地址为何全程不变、MAC地址为何逐跳改变。文章涵盖IP数据包20-60字节首部的每一比特含义、ping与tracert的实战技巧与原理,以及动态/静态ARP的配置与安全防护。

1090

MCP开发实战:基于openEuler系统MCP插件的开发、测试与发布全流程

MCP开发实战:基于openEuler系统MCP插件的开发、测试与发布全流程

jks212454的博客 555

网络层协议详解:IP、ICMP 与 ARP

在计算机网络的五层模型中,网络层是实现不同主机之间互联互通的关键。它的主要任务是:给设备分配逻辑地址(IP)连接不同媒介类型的网络(以太网、Wi-Fi、5G 等)选择最佳路径传输数据(路由)这一层的核心协议包括IP、ICMP 和 ARP。本文带你逐步搞懂它们的原理和应用。主要负责:反馈网络错误(如目的不可达、超时)。传递控制消息(如 ping、traceroute)。它本身封装在 IP 数据包中,属于网络层协议。的作用是:把一个已知的IP 地址解析为对应的MAC 地址。

kirito0000的博客 914

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

计网:网络层协议ICMP

1.背景 在日常生活或工作中,我们在判断与对方网络是否畅通,使用的最多的莫过于 ping 命令了。 “那你知道 ping 是如何工作的吗?” —— 灵魂拷问 2.ICMP IP协议的助手 —— ICMP 协议 ping 是基于 ICMP 协议工作的,所以要明白 ping 的工作,首先我们先来熟悉 ICMP 协议。 ICMP 是什么? ICMP 全称是 Internet Control Message Protocol,也就是互联网控制报文协议。 里面有个关键词 —— 控制,如何控制的呢? 网络包在复杂的

qq_43700779的博客 1382

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

网络层:ICMP协议

ICMP(Internet Control Message Protocol)是IP协议的一部分,用于发送差错报告和网络诊断信息。其报文格式包括类型和代码字段,用于标识不同的差错类型。常见的差错报告报文包括TTL过期、目标主机不可达和路由重定向。TTL过期表示数据包在传输过程中超过了生存时间;目标主机不可达表示无法找到目标网络的路由;路由重定向则指示更优的路由路径。此外,ping命令用于测试网络连通性,tracert命令用于追踪数据包路径,pathping命令结合了ping和tracert的功能,提供更详细

Henry的博客 332

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【网络协议安全】任务4:网络层协议ICMP

PING (Packet Internet Groper),即因特网包探索器,用于测试网络连接状况以及检查网络是否连通。通过发送ICMP回声请求消息给目标主机,并等待接收ICMP回声响应来判断网络状态。

不羁的博客 905

网络层协议:IP、ICMP、ARP协议

IP协议,ICMP协议,ARP协议的简单介绍。

q1y2y3的博客 957

每日一个网络知识点:网络层ICMP协议

ICMP是Internet控制报文协议,它是IP协议的重要辅助协议。ICMP并不传输用户数据,而是用于在网络设备之间传递控制信息和错误报告。

一念的博客 1162

TCP/IP协议栈之网络层: IPv4、IPv6、ICMP,你真的掌握了吗?

本文详细介绍了TCP/IP协议栈中的网络层,特别是IPv4、IPv6和ICMP的核心概念。首先解释了网络层在实现主机到主机通信中的关键角色,接着描述了一个数据包从源到目的地的完整旅程,强调了IP地址的作用以及ARP和MAC地址的重要性。文章深入解析了IPv4与IPv6地址结构的区别、子网划分技术及IP地址分配方式,并讨论了NAT在网络中的应用。此外,还探讨了路由的概念及其配置方法,包括静态路由和动态路由的特点。

Linux内核研究者 1609

网络层:网络控制报文协议ICMP

网际控制报文协议ICMP

qq_43847153的博客 772

4.网络技术——网络层:ICMP+ARP协议

目录1 网络层定义及功能1.1 网络层定义1.2 网络层功能2. 网络层协议——ICMP协议2.1 IP数据包格式2.2 ICMP协议的定义跟功能2.2.1 ICMP协议的定义:2.2.2 ICMP协议的功能:2.2.3 ICMP协议的封装过程:2.3 ICMP消息类型和编码类型2.4 ICMP协议的基本命令2.4.1 ping命令2.4.2 验证ping 命令3. 网络层协议——ARP协议3.1 ARP协议的工作原理3.2 ARP数据报文的格式3.3 ARP相关命令3.4 ARP的攻击与欺骗3.5

与之二三事、 823

icmp协议_CCNA - Part7:网络层 - ICMP 应该是你最熟悉的协议了

ICMP 协议在之前网络层的介绍中,我们知道 IP 提供一种无连接的、尽力而为的服务。这就意味着无法进行流量控制与差错控制。因此在 IP 数据报的传输过程中,出现各种的错误是在所难免的,为了通知源主机 IP 数据报传输过程中遇到的问题,因此设计了因特网控制报文协议(ICMP)。虽然说 ICMP 协议将 IP 协议封装在内部,所以大多数人将 ICMP 视为传输层的协议,但实际上 ICMP 是 IP ...

weixin_39968266的博客 143

网络协议笔记:ICMP==》网络层

ICMP(Internet Control Message Protocol,报文控制协议)属于网络层,和IP协议同层。 待续。。。

Mr_Curious的博客 380

ARP、IP、ICMP详解:三层网络层协议的综合讲解

ICMP协议(3层网络层协议:IP、ARP、ICMP)

weixin_43263566的博客 4318
上一篇: C语言:字符串、字符和字节
下一篇: C语言:高级指针
WenLang_M
博客等级 码龄10年 239粉丝 46原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值