数据包接收系列 — IP协议处理流程（二）

最新推荐文章于 2025-06-19 10:34:53 发布
最新推荐文章于 2025-06-19 10:34:53 发布
阅读量397 收藏
点赞数
分类专栏： TCPIP
本文详细解析了IP数据包在Linux内核2.6.37版本中从网络层到传输层的处理流程，包括分片重组、安全策略检查及如何调用不同四层协议的处理函数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文主要内容：在接收数据包时，IP协议的处理流程。

内核版本：2.6.37

Author：zhangskd @ csdn blog 

 

我们接着来看数据包如何发往本地的四层协议。

 

ip_local_deliver

 

在ip_local_deliver()中，如果发现数据报有被分片，则进行组装。

然后调用NF_INET_LOCAL_IN处的钩子函数，如果数据包被钩子函数放行，

则调用ip_local_deliver_finish()继续处理。

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. /* Deliver IP Packets to the higher protocol layers. */  
  2.   
  3. int ip_local_deliver(struct sk_buff *skb)  
  4. {  
  5.     /*  
  6.      * Reassemble IP fragments.  
  7.      * 如果IP数据报有被分片，则在这里进行组装还原。 
  8.      */  
  9.     if (ip_hdr(skb)->frag_off & htons(IP_MF | IP_OFFSET)) {  
  10.         if (ip_defrag(skb, IP_DEFRAG_LOCAL_DELIVER))  
  11.             return 0;  
  12.     }  
  13.   
  14.     /* 调用netfilter的NF_INET_LOCAL_IN的钩子函数，如果此数据包被钩子函数放行，则调用 
  15.      * ip_local_deliver_finish()继续处理。 
  16.      */  
  17.     return NF_HOOK(NFPROTO_IPV4, NF_INET_LOCAL_IN, skb, skb->dev, NULL,  
  18.         ip_local_deliver_finish);  
  19. }  

 

ip_local_deliver_finish

 

ip_local_deliver_finish()主要做了：

处理RAW IP，如果有配置安全策略，则进行IPsec安全检查。

根据IP报头的protocol字段，找到对应的L4协议(net_protocol)，调用该协议的接收函数net_protocol->handler()。

对于TCP协议，net_protocol实例为tcp_protocol，协议处理函数为tcp_v4_rcv()。

接下来就进入四层协议的处理流程了，TCP协议的入口函数为tcp_v4_rcv()。

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. static int ip_local_deliver_finish(struct sk_buff *skb)  
  2. {  
  3.     struct net *net = dev_net(skb->dev);  
  4.   
  5.     /* 把skb->data指向L4协议头，更新skb->len */  
  6.     __skb_pull(skb, ip_hdrlen(skb));  
  7.   
  8.     /* 赋值skb->transport_header */  
  9.     skb_reset_transport_header(skb);  
  10.   
  11.     rcu_read_lock();  
  12.     {  
  13.         int protocol = ip_hdr(skb)->protocol; /* L4协议号 */  
  14.         int hash, raw;  
  15.         const struct net_protocol *ipprot;  
  16.   
  17. resubmit:  
  18.         /* 处理RAW IP */  
  19.         raw = raw_local_deliver(skb, protocol);  
  20.   
  21.         hash = protocol & (MAX_INET_PROTOS - 1); /* 作为数组索引 */  
  22.   
  23.         /* 从inet_protos数组中取出对应的net_protocol元素，TCP的为tcp_protocol */  
  24.         ipprot = rcu_dereference(inet_protos[hash]);  
  25.   
  26.         if (ipprot != NULL) {  
  27.             int ret;  
  28.   
  29.             if (! net_eq(net, &init_net) && ! ipprot->netns_ok) {  
  30.                 if (net_ratelimit())  
  31.                     printk("%s: proto %d isn't netns-ready\n", __func__, protocol);  
  32.                     kfree_skb(skb);  
  33.                     goto out;  
  34.             }  
  35.   
  36.             /* 如果需要检查IPsec安全策略 */  
  37.             if (! ipprot->no_policy) {  
  38.                 if (! xfrm4_policy_check(NULL, XFRM_POLICY_IN, skb)) {  
  39.                     kfree_skb(skb);  
  40.                     goto out;  
  41.                 }  
  42.                 nf_reset(skb);  
  43.             }  
  44.   
  45.             /* 调用L4协议的处理函数，对于TCP，调用tcp_protocol->handler，为tcp_v4_rcv() */  
  46.             ret = ipprot->handler(skb);  
  47.             if (ret < 0) {  
  48.                 protocol = - ret;  
  49.                 goto resubmit;  
  50.             }  
  51.             IP_INC_STATS_BH(net, IPSTATS_MIB_INDELIVERS);  
  52.   
  53.         } else {  
  54.             if (! raw) {  
  55.                 if (xfrm4_policy_check(NULL, XFRM_POLICY_IN, skb)) {  
  56.                     IP_INC_STATS_BH(net, IPSTATS_MIB_INUNKNOWNPROTOS);  
  57.                     icmp_send(skb, ICMP_DEST_UNREACH, ICMP_PROT_UNREACH, 0);  
  58.                 } else  
  59.                     IP_INC_STATS_BH(net, IPSTATS_MIB_INDELIVERS);  
  60.   
  61.                 kfree_skb(skb);  
  62.             }  
  63.         }   
  64.   
  65. out:  
  66.     rcu_read_unlock();  
  67.     return 0;  
  68. }  

 

L4协议处理函数

 

数据包从L2传递到L3时，通过packet_type结构来找到L3协议的处理函数。

同理，数据包从L3传递到L4时，通过net_protocol结构来找到L4协议的处理函数。

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. /* This is used to register protocols. */  
  2. struct net_protocol {  
  3.     int (*handler) (struct sk_buff *skb); /* L4协议的接收函数 */  
  4.     void (*error_handler) (struct sk_buff *skb, u32 info); /* ICMP用的 */  
  5.     ...  
  6.     unsigned int no_policy:1, /* 不需要检查IPsec策略 */  
  7.                  netns_ok:1;  
  8. };  
  9.   
  10. #define MAX_INET_PROTOS 256 /* MUST be a power of 2 */  

 

把协议号作为索引，可以从数组找到对应协议的net_protocol元素。

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. const struct net_protocol __rcu *inet_protos[MAX_INET_PROTOS];  
[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. enum {  
  2.     ...  
  3.     IPPROTO_ICMP = 1, /* Internet Control Message Protocol */  
  4.     ...  
  5.     IPPROTO_TCP = 6, /* Transmission Control Protocol */  
  6.     ...  
  7.     IPPROTO_UDP = 17, /* User Datagram Protocol */  
  8.     ...  
  9.     IPPROTO_RAW = 255, /* Raw IP packets */  
  10.     IPPROTO_MAX  
  11. };   
  12.   
  13. /* TCP协议的net_protocol */  
  14. static const struct net_protocol tcp_protocol = {  
  15.     .handler = tcp_v4_rcv,  
  16.     .err_handler = tcp_v4_err,  
  17.     ...  
  18.     .no_policy = 1,  
  19.     .netns_ok = 1,  
  20. };  
  21.   
  22. /* UDP协议的net_protocol */  
  23. static const struct net_protocol udp_protocol = {  
  24.     .handler = udp_rcv,  
  25.     .err_handler = upd_err,  
  26.     ...  
  27.     .no_policy = 1,  
  28.     .netns_ok = 1,  
  29. };  
  30.   
  31. /* ICMP协议的net_protocl */  
  32. static const struct net_protocol icmp_protocol = {  
  33.     .handler = icmp_rcv,  
  34.     .no_policy = 1,  
  35.     .netns_ok = 1,  
  36. };  

初始化

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. static int __init inet_init(void)  
  2. {  
  3.     ...  
  4.     /* Add all the base protocols */  
  5.     if (inet_add_protocol(&icmp_protocol, IPPROTO_ICMP) < 0)  
  6.         printk(KERN_CRIT "inet_init: Cannot add ICMP protocol\n");  
  7.   
  8.     if (inet_add_protocol(&udp_protocol, IPPROTO_UDP) < 0)  
  9.         printk(KERN_CRIT "inet_init: Cannot add UDP protocol\n");  
  10.   
  11.     if (inet_add_protocol(&tcp_protocol, IPPROTO_TCP) < 0)  
  12.         printk(KERN_CRIT "inet_init: Cannot add TCP protocol\n");  
  13.     ...  
  14. }  

 

RAW IP

 

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. struct raw_hashinfo {  
  2.     rwlock_t lock;  
  3.     struct hlist_head ht[RAW_HTABLE_SIZE];  
  4. };  
  5.   
  6. static struct raw_hashinfo raw_v4_hashinfo = {  
  7.     .lock = __RW_LOCK_UNLOCKED(raw_v4_hashinfo.lock);  
  8. };  
  9. #define RAW_HTABLE_SIZE MAX_INET_PROTOS  

RAW IP报的处理函数为raw_v4_input()。

[java]  view plain copy 在CODE上查看代码片 派生到我的代码片
  1. int raw_local_deliver(struct sk_buff *skb, int protocol)  
  2. {  
  3.     int hash;  
  4.     struct sock *raw_sk;  
  5.   
  6.     hash = protocol & (RAW_HTABLE_SIZE - 1); /* L4协议号作为key */  
  7.     raw_sk = sk_head(&raw_v4_hashinfo.ht[hash]); /* 取出哈希桶的第一个sock */  
  8.   
  9.     /* If there maybe a raw socket we must check - if not we don't care less. 
  10.      * raw_v4_input(): IP input processing comes here for RAW socket delivery. 
  11.      * 如果该协议上有连接，那么调用raw_v4_input()来处理。 
  12.      */  
  13.     if (raw_sk && ! raw_v4_input(skb, ip_hdr(skb), hash))  
  14.         raw_sk = NULL;  
  15.   
  16.     return raw_sk != NULL;  
  17. }  
51-6 Vision Transformer ，ViT 论文精读
AIgraphX
01-09 1823
ViT取代了CNN，打通了CV和NLP之间的鸿沟，而且挖了一个更大的多模态的坑。ViT未来有可能真就是一个简洁、高效、通用的视觉骨干网络，而且可以完全不用任何标注信息。当拥有足够多的数据进行预训练的时候，ViT的表现就会超过CNN，突破transformer缺少归纳偏置的限制，可以在下游任务中获得较好的迁移效果。
论文阅读6——VIT：Vision Transformer（包括ViT代码复现）
2403_87584552的博客
10-16 3483
虽然Transformer架构已成为自然语言处理任务的事实标准，但其在计算机视觉中的应用仍然有限。在视觉中，注意力要么与卷积网络结合应用，要么用于替换卷积网络的某些组件，同时保持其整体结构。我们表明，这种对CNN的依赖是没有必要的，并且直接应用于图像补丁序列的纯Transformer可以在图像分类任务中表现得非常好。
ViT（Vision Transformer）全文精读
SeptemberH的博客
04-01 1万+
** 1. 相关链接 ：** 原文链接：[2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale (arxiv.org) 原文开源代码：GitHub - google-research/vision_transformer Pytorch版本代码：GitHub - lucidrains/vit-pytorch: Implementation of Vision Transformer, a
用最通俗易懂的方式讲解Transformer在视觉中的应用
kikidedatou的博客
06-19 1081
想象一下，我们要教一个非常聪明的、但之前只看过文字的机器人学会识别图片里的东西。传统的方式（比如卷积神经网络 CNN）是怎么做的呢？
Vision Transformer(ViT)论文解读与代码实践(Pytorch)
qq_51957239的博客
09-21 1万+
RGB为彩色图片，L为灰度图片= 'RGB':这里解释一下collate_fn这个静态方法：collate_fn方法的作用是定义数据加载时的批处理操作。在PyTorch中，数据加载器（DataLoader）将数据集按照指定的批次大小（batch size）加载到模型中进行训练或推断。当数据集中的样本具有不同的大小或形状时，需要对每个批次进行适当的处理，以便能够对其进行批处理计算。
Vision Transformer 论文
热门推荐
qq_16236875的博客
10-08 3万+
https://openreview.net/pdf?id=YicbFdNTTy AN IMAGE IS WORTH 16X16 WORDS: TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE Abstract: Transformer 架构早已在自然语言处理任务中得到广泛应用，但在计算机视觉领域中仍然受到限制。在计算机视觉领域，注意力要么与卷积网络结合使用，要么用来代替卷积网络的某些组件，同时保持其整体架构不变。 该研究表明，对 CNN 的依赖不是必需的，当直
Vision Transformer（VIT）论文解读及实现
weixin_42529756的博客
07-08 3779
VIT,图片分类
VIT论文解读
weixin_46881031的博客
08-21 962
ViT论文
【论文精读】 Vision Transformer（ViT）
weixin_44934783的博客
02-08 1376
Vision Transformer（ViT）
Vision Transformer论文精读
weixin_43605214的博客
11-08 1085
Vision Transformer的整体结构详解，以及该论文提供的一些很有意思的思路记录。Embedding层的设计，Position Embedding添加位置编码，以及分类头[class]token，Encoder中的layer norm,多头注意力和dropout详解，MLP设计。
李沐精读论文：Swin transformer: Hierarchical vision transformer using shifted windows
iwill323的博客
12-22 3939
李沐精读论文：Swin transformer: Hierarchical vision transformer using shifted windows patch partition Linear Embedding swin transformer block
ViT论文解读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
02-12 3207
文章目录创新点算法class token位置编码实验与SOTA比较结论 论文:《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》 代码:https://github.com/google-research/vision_transformer 创新点 作者表明在视觉任务上，CNN并不是必须的，Transformer也可以很好的执行分类任务；与CNN SOTA方法相比，ViT使用更少训练资源，取得不错结果；
多模态大模型（二）2025：最详细Vision Transformer论文详解
aminghhhh的博客
03-21 2552
2.1 摘要部分及其翻译虽然 Transformer 架构已成为自然语言处理任务的事实标准，但它在计算机视觉领域的应用仍然相对有限。在视觉任务中，注意力机制通常是与卷积网络结合使用，或者用于替换卷积网络的部分组件，同时保持整体网络结构不变。我们展示了其实并不需要依赖 CNN，而是可以将纯 Transformer 直接应用于图像块（patch）序列，并在图像分类任务上取得非常好的表现。
论文精读--ViT
m0_73202283的博客
02-07 3555
虽然Transformer架构已经成为自然语言处理任务的事实上的标准，但它在计算机视觉上的应用仍然有限。在视觉方面，注意力要么与卷积网络结合使用，要么用于替换卷积网络的某些组件，同时保持其整体结构不变。我们证明这种对cnn的依赖是不必要的，直接应用于图像pactch序列的纯变压器可以很好地完成图像分类任务。
ViT论文详解
m0_64148253的博客
08-06 2730
ViT是谷歌团队在2021年3月发表的一篇论文，论文全称是《AN IMAGE IS WORTH 16X16 WORDS:TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE》一张图片分成16x16大小的区域：使用Transformer进行按比例的图像识别。ViT是VisonTransformer的缩写，通过将一张照片分割为不同的Patch输入到Transformer中进行有监督的训练，从而实现Transformer在CV领域的应用。接下来我们进行这篇论文的详细介绍。
Vision Transformer 论文 + 详解（ ViT ）
like_jmo的博客
08-01 1万+
Vision Transformer 论文 + 详解
Vision Transformer论文精读（1/2）
teletubbies的博客
10-16 3305
第一段先说，因为Transformer在NLP领域扩展的很好，越大的数据或者越大的模型最后的performance就会一直上升，没有饱和的现象，那自然而然会有一个问题就是如果我们把Transformer用到视觉里来，那是不是视觉的问题也能获得大幅度的提升？
【论文阅读】Vision Transformer
想当咸鱼的猫
09-05 6165
在计算机视觉领域中，多数算法都是保持CNN整体结构不变，在CNN中增加attention模块或者使用attention模块替换CNN中的某些部分。有研究者提出，没有必要总是依赖于CNN。因此，作者提出ViT算法，仅仅使用Transformer结构也能够在图像分类任务中表现很好。受到NLP领域中Transformer成功应用的启发，ViT算法中尝试将标准的Transformer结构直接应用于图像，并对整个图像分类流程进行最少的修改。
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows论文精读
最新发布
07-09
### Swin Transformer 论文精读：Hierarchical Vision Transformer Using Shifted Windows Swin Transformer 是一种基于视觉的分层 Transformer 模型，其核心创新在于通过 **Shifted Window-based Self-Attention** 实现了线性计算复杂度，同时能够生成多尺度特征表示。这种方法在图像分类、目标检测和语义分割等任务中取得了显著的性能提升 [^2]。 #### 核心架构概述 Swin Transformer 的整体结构分为多个阶段（Stage），每个阶段包含多个 Swin Transformer Block。这些块使用 **窗口化自注意力机制** 和 **移位窗口策略** 来实现高效计算并捕捉长距离依赖关系。 - **分层特征提取** 类似于传统卷积神经网络（如 ResNet），Swin Transformer 采用分层设计来逐步降低空间分辨率并增加通道维度。这种设计允许模型从局部到全局地构建特征表示。 - **窗口划分与移位窗口机制** 在每个 Swin Transformer Block 中，输入特征图被划分为不重叠的窗口，并在这些窗口内执行自注意力计算。为了增强跨窗口的信息交互，在下一个 Block 中对窗口进行移位操作（Shifted Windows）。这种方式既减少了计算量，又保持了模型对全局信息的感知能力 [^1]。 ```python # 窗口划分伪代码示例 def window_partition(x, window_size): B, H, W, C = x.shape # 将图像划分为多个窗口 x = tf.reshape(x, shape=[B, H // window_size, window_size, W // window_size, window_size, C]) windows = tf.transpose(x, perm=[0, 1, 3, 2, 4, 5]) return tf.reshape(windows, shape=[-1, window_size, window_size, C]) # 移位窗口伪代码 def shifted_window_attention(x, window_size, shift_size): B, H, W, C = x.shape # 对特征图进行滚动操作以实现窗口移位 x = tf.roll(x, shift=(-shift_size, -shift_size), axis=(1, 2)) return window_partition(x, window_size) ``` #### 自注意力机制优化 传统的 Vision Transformer（ViT）在整个图像上应用自注意力机制，导致计算复杂度为 $O(n^2)$，其中 $n$ 是图像块的数量。而 Swin Transformer 通过将注意力限制在局部窗口内，将复杂度降低到 $O(n)$，使其适用于高分辨率图像处理 [^4]。 此外，移位窗口机制确保了相邻窗口之间的信息流动，从而避免了局部注意力带来的信息隔离问题。这种设计使得 Swin Transformer 能够在保持计算效率的同时实现全局建模能力。 #### 实验结果与性能优势 Swin Transformer 在多个视觉任务中表现出色： - **ImageNet 分类任务**：Swin-Tiny、Swin-Small、Swin-Base 和 Swin-Large 四种变体均在 ImageNet-1K 上实现了优于其他 Transformer 主干网络的 Top-1 准确率。 - **COCO 目标检测**：在 COCO 数据集上，Swin Transformer 在 Faster R-CNN 框架下达到了 SOTA 性能，mAP 超过之前的最佳方法。 - **ADE20K 语义分割**：在 ADE20K 数据集上，Swin Transformer 作为编码器也取得了领先的 mIoU 指标 [^2]。 #### 消融实验分析 论文还进行了详细的消融研究，验证了以下几个关键组件的有效性： - **窗口大小的影响**：较大的窗口有助于捕捉更广泛的上下文，但会增加计算开销。 - **移位窗口的重要性**：实验证明，移位机制可以显著提升模型性能，尤其是在长距离依赖任务中。 - **不同层级的设计**：通过对比不同层级深度和通道配置，论文展示了如何平衡精度与效率 [^3]。 ---
评论
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