王子亭的博客

从入门编程开始，我们一直在和函数打交道，但直到今天，我才勉强敢谈一谈对函数的认识。

在以C为代表的，绝大多数“正常”的编程语言中，函数都 是组织代码和组成程序的基本单位，甚至在CPU中也内建了对函数(过程)调用的支持。其他所谓面向对象风格 不过是对函数的进一步封装而已。

程序执行时的控制流，也是以函数为基本单位来进行调度的，每一次函数调用，就标志着一次控制流的转移。在经典的模型中，一个函数可以调用包括自己(调用自身的行为被称为递归)在内的任何函数，被调用的函数也可以再调用其他函数。函数间通过参数和返回值来传递信息，前者用于调用者向被调用信息发送信息，后者用于被调用函数向调用者返回信息。

那么我们如何在脑中构建一幅函数间互相调用的景象呢？这里我就不得不提到栈这个概念。栈是最简单最基础的数据结构之一，栈是一种线性的容器，但其特殊之处在于只能从其中一端插入或取出数据，这一端被称为栈顶。这使得栈具有这样的特征：先被插入栈的数据，要最后被取出；后加入栈的数据，将先被取出，即LIFO(Last In First Out, 后进先出).

函数调用存在着类似的性质：在某一时刻的同一调用树(而不是多个并行执行的函数)上，最先被调用的函数将最后被返回，因为它需要等待所有之后被调用的函数返回才行。 于是在计算机中，我们通过栈来维护函数间的调用状态，这种栈，也被称为运行栈，线程栈，函数栈。

栈上为单个函数所分配的区域，被称为栈帧。栈顶由一个栈顶指针来指示，栈顶指针在函数执行时会随时改变，因此还有另外一个帧指针指向当前栈帧的起始处，函数通常通过帧指针来访问数据。栈指针和帧指针被保存在单独的寄存器上。

函数执行时所定义的局部变量都将被分配在栈上，这些局部变量(和函数参数)决定了函数的执行状态。

当函数调用另一个函数时，首先要保存寄存器的值。因为寄存器是被多个函数所共享的自由，为了防止被调函数覆盖寄存器，主调函数必须负责将部分寄存器的值保存在栈上。然后将要传递给被调函数的参数插入栈中，在参数较少的情况下，也可能直接使用寄存器来传递参数。然后再插入下一条指令的地址，即被调函数返回时要返回到的地址。最后将控制权移交到被调函数的首地址。

被调函数开始执行，这也标志着调用者的栈帧已经结束。被调函数首先在栈上保存当前旧的帧指针，然后将帧指针甚至为栈指针减去1，即当前栈帧的第一项是旧的帧指针。 然后被调函数也开始保存寄存器，调用者和被调函数分别负责保存哪些寄存器是有约定的。

然后被调函数开始执行真正的代码，并通过帧指针来访问参数，参数在栈中的顺序是由调用约定决定的。在函数执行的过程中，函数也可能在栈上创建和销毁局部变量，但均遵循栈的后入先出原则。在函数执行即将结束时，将返回值保存在特定的寄存器中。

当被调函数返回时，首先恢复已保存的寄存器的值，然后将帧指针赋值给栈指针，即丢弃当前栈帧除了已保存的旧的帧指针的全部数据。然后从栈恢复旧的帧指针，至此被调函数已经完成了全部清理工作，帧指针指向调用者的栈帧头部，栈指针指向调用者栈帧的尾部。被调函数将控制权移交给当前栈指针指向的返回地址。

现在控制权回到了调用者，调用者首先弹出栈中的返回地址和参数，然后恢复寄存器的值，接着执行剩下的代码，被调函数的返回值在特定的寄存器中。

本文从栈的角度描述了一个函数的执行过程，着重介绍了4个关键的时间点：调用者调用被调函数、被调函数开始执行、被调函数返回前的清理工作、控制权返回到调用者。

可以看到函数的执行和栈的使用本来就是密不可分的。

缓冲区溢出可以说是针对系统级软件最常见的攻击方式了，这类攻击可以通过操作系统或软件提供的API接口，或者通过文件和网络，发送一个特定的字节序列，最终改变被攻击程序的行为，甚至取得被攻击进程的权限。

计算机使用栈来维护函数的执行状态，如果函数在栈上分配了一段缓冲区，但向其写入数据时没有进行充分的长度检查，那么溢出的数据就会覆盖栈上之后的内存。因为栈是由高地址向低地址延伸的，即栈底在高地址，而数据写入是由低地址向高地址覆盖的，所以溢出的数据会向着栈底，即调用者的栈帧进行覆盖。

在调用者和被调用者的栈帧交界处，存在着一些相当敏感的数据，如函数的返回地址，通过覆盖这个值，可以将控制权移交到任意地址。

攻击者需要将返回地址指向到攻击者构造的恶意代码，因此攻击者必须知道当前栈帧的地址。在经典的情况下，同一个程序在相同架构，相同的操作系统中的栈地址是固定的，攻击者很容易通过几次尝试来确认这个值。

针对这个思路，较新版本的Linux和GCC使用了一种地址空间布局随机化的技术，同一个程序每次运行时，程序的各个部分，如代码段，数据段，堆和栈，动态链接库都会被装载到随机的地址。

但攻击者可以在真正的恶意代码前加入足够长的nop指令，nop指令不执行操作，只是一个空指令。然后随机地进行跳转，只要能够跳转到nop序列中的任意一条指令，都可以执行到后面的恶意代码。

较新版本的GCC中还加入了一种“栈保护者”的机制，GCC会在每个函数的栈帧开始处加入一个随机的哨兵值，并在函数返回时检查该哨兵值，如果哨兵值发生了变化，即表示出现了缓冲区溢出，程序会中断执行。

因为攻击者需要在栈上构造可执行的恶意代码，因此还有一种思路就是将栈所在页标记为不可执行，由硬件进行这个检查，使得攻击者在栈上的恶意代码根本无法执行，目前有部分CPU支持这项特征。

以上是缓冲区溢出攻击的基本原理，和三种操作系统级别的防御对策，这些防御措施对用户态的程序而言都是透明的，无需程序员额外关注，同时这些机制的效率损失也相当小。

Kademlia协议(模型)是被电驴，BitTorrent所采用了的，基于异或距离算法的分布式散列表(DHT), 它实现了一个去中心化的信息储存与查询系统。

Kademlia将网络设计为一个具有160层的二叉树，树最末端的每个叶子便是一个节点，节点在树中的位置由同样是160bit的节点ID决定。

每个bit的两种可能值(0或1), 决定了节点在树中属于左面还是右面的子树，160层下来，每个节点ID便都有了一个确定的位置。

Kademlia使用独特的异或距离算法来计算节点间的距离，异或是一种简单的数学计算，它有很多独特的性质，这些性质在之后会为我们带来方便：

自己与自己的距离为0:
x ^ x = 0
不同的节点间必有距离:
x ^ y > 0
交换律，x到y的距离等于y到x的距离:
x ^ y = y ^ x
从a经b绕到c, 要比直接从a到c距离长:
a ^b + b ^ c >= a ^ c
下面两个是资料上提到的，似乎很重要，但我不大理解他们的含义:
a + b >= a ^ b
(a ^ b) ^ (b ^ c) = a ^ c

在Kademlia中，异或(距离)算法具有单向性(或者说一一对应关系)，即给定一个节点和一个距离，必定存在唯一一个相对应节点。包括距离算法在内的，Kademlia中大部分的概念，都既有算术上的意义，又可以在节点树上表现实际意义。

事实上，节点间距离反映的就是节点ID中比特的差异情况，而且越靠前的比特权值越大。或者说是反映节点在树中相隔了多少个分支，需要向上多少个树节点才能找到共同的祖先节点。

Kademlia中使用了名为K-桶的概念来储存其他(临近)节点的状态信息，这里的状态信息主要指的就是节点ID, IP, 和端口。

对于160bit的节点ID, 就有160个K-桶，对于每一个K-桶i, 它会储存与自己距离在区间 [2^i, 2^(i+1)) 范围内的节点的信息，每个K-桶中储存有k个其他节点的信息，在BitTorrent的实现中，k的取值为8.

下表反映了每个K-桶所储存的信息

放在节点树上，即每个节点都更倾向于储存与自己距离近的节点的信息，形成 储存的离自己近的节点多, 储存离自己远的节点少 的局面。

从上表可以看出，在1-15这个范围内的节点，只要发现，就会被100%地储存下来，而离自己距离在1000左右的节点，只会储存13%.

对于一个节点而言，K-桶就代表着节点树上那些未知的节点(其实除了自己都是未知的)构成的子树，160个K桶分别是具有1到160层的子树，由小至大。对于节点ID, 160个K-桶分别储存着节点ID前0到159个bit和自己一致的节点。

K-桶中的条目(其他临近节点的状态信息)排序的，每当收到一个消息(如查询)时，就要更新一次K桶。

首先计算自己与对方的距离，然后储存到对应的K-桶中，但如果K-桶已满(前面提到每个K-桶储存有k=8个条目), 则会倾向放弃储存，继续保持旧的节点信息(如果还有效的话). 除了距离外，Kademlia更倾向于与在线时间长，稳定的节点建立联系。

这是因为实践证明，累积在线时间越长的节点越稳定，越倾向于继续保持在线，即节点的失效概率和在线时长成反比。

这样还可以在一定程度上抵御攻击行为。因为当大量恶意的新节点涌入时，大家都会选择继续保持旧的节点信息，而不是接受新的。

除此之外，还需要定时检查K-桶中的节点是否任然在线，及时删去已失效节点。

Kademlia协议仅定义了四种操作：

• PING: 探测一个节点是否在线
• STORE: 令对方储存一份数据
• FIND NODE: 根据节点ID查找一个节点
• FIND VALUE: 根据键查找一个值(数据)

当查找一个节点时，首先计算自己与目标节点的距离d, 然后将 log₂d 向下取整，找到对应的K-桶，从这个K-桶中选取a个节点(在BitTorrent的实现中取值为3), 向它们发送查询。

收到查询的节点同样计算距离后从自己的对应K-桶中选取a个节点返回给查询者。查询者不断重复这个过程，知道找到目标节点，或无法再找到更近的结果。

很多资料将这个过程描述成是递归的，但我觉得这里认为它是迭代的更为恰当。

因为每个节点都更倾向于储存距自己近的节点的信息，而整个网络又是一个二叉树，因此每次查询都会至少取得距离减半的结果，对于有N个节点的网络，至多只需要 log₂N 次查询。

当进行 FIND VALUE 操作时，查询操作是类型的，每份数据都有一个同样是160bit的键，每份数据都倾向于储存在与键值距离较近的节点上。

当上传者上传一份数据时，上传者首先定位几个较为接近键值的节点，用STORE操作要求他们储存这份数据。

储存有数据的节点，每当发现比自己与键值距离更为接近的节点时，便将数据复制一份到这个节点上。

当一个新节点欲加入网络时，只需找到一个已在网络中的节点，借助它对自己的节点ID进行一次常规查询即可，这样便完成了对自己信息的广播，让距自己较近的节点获知自己的存在。而离开网络不必执行任何操作，一段时间后，你的信息会自动地从其他节点被删除。

毫无疑问，Kademlia要比我之前为零毫秒设想的网络模型优秀得多，更为彻底地实现了去中心化，弱化了关键节点失效对整个网络的影响。而电驴和BitTorrent的实践也证明了kademlia是具有相当的可行性的。

Kademlia的精妙之处在于它选择了异或运算作为计算距离的依据，异或运算不仅具有算术的意义，在二叉树式的网络模型中，同样具有实际意义，同时任何情况下都在强调距离的概念，让节点间通过距离来聚合起来。

在上一篇日志的末尾，我便在思考如何来聚合节点，现在通过Kademlia, 我算是找到了。下一步我想思考的是，既然以上是Kademlia的优势，那么它的弱势在哪？哪些地方存在不足？