Linux环境下基于条件约束的HTTP/TCP透明代理和流量牵引方案
一. 前言
代理技术，是针对客户端（Client）和服务器（Server）之间的通信交互而言的一种介入技术。依据代理方式的不同，大致可以分为两种：1. 非透明代理；2. 透明代理。
1. 非透明代理
即被代理的客户端知晓代理服务器的存在。知晓的方式有很多种，比如客户端浏览器中设置代理服务器的IP地址和端口；又比如说，客户端在访问服务器时，捕获到了服务器返回的HTTP 302重定向报文（通常是代理服务器伪装源服务器返回的）等等。当然，对于不熟悉通信协议的用户来说，HTTP 302重定向这种方式也可以归类为透明代理。
2. 透明代理
即被代理的客户端根本不知道有代理服务器的存在。代理服务器在客户端和服务器的通信中途，接管了客户端的通信报文。透明代理的存在方式一般为网关、路由器和透明网桥等之中。
非透明代理的实现方式一般来说较为简单，搭建一个代理服务器（如Squid和Nginx等），把该代理服务器的IP地址和端口提供给客户端即可，这不是本文讨论的内容。
透明代理的实现方式相对来说复杂一些，但是也有成熟的解决方案。通常的思路是，在客户端和服务器通信的中途，将客户端的流量透明接管，同时利用4层/7层协议分析技术，过滤出需要代理的流量，并将这些流量牵引至代理服务器。常用的方案有（以Linux为例）：
1. Iptables/Netfilter/Tproxy ----(特定IP/Port流量)----> Squid/Nginx代理服务器
2. Iptables/Netfilter/Tproxy ----(特定IP/Port流量)----> Haproxy ----（7层过滤)----> Squid/Nginx代理服务器
第一种方式效率高，但是也存在问题，就是有可能把非HTTP流量送给了HTTP代理服务器（很多非HTTP流量占用的是80/8080/3128端口），可能造成代理服务器出现问题；第二种方式，在前端增加了Haproxy的7层过滤，确保送给代理服务器的流量是HTTP流量。
这些透明代理方案的问题在于，缺乏精确的流量识别能力，所以需要管控的流量过多（所有HTTP Port的流量），在大背景流量下压力下，代理服务器的资源开销会很高；同时，为了减小代理服务系统出错概率，需要在Squid/Nginx前端对流量进行层级的过滤。试想，流量经过了多个模块的多次过滤，抛开代理服务器资源占用不说，报文的处理时间也被拉长了。
因此，本文讨论的重点，就是阐述基于条件约束的HTTP/TCP透明代理和流量牵引方案。该方案具备如下特征：
1. 条件约束
即待代理的流量，必须在明确知道其内容时，才进行管控。明确的内容，比如GET什么文件，是rar还是exe，Host是什么等等。这样，才能极大的减小管控流量范文。通俗的讲，就是“不见兔子不撒鹰”。
2. 透明HTTP/TCP代理
这里说的透明，不是依靠HTTP 302来实现的。HTTP 302能够被用户抓包发现，同时，部分客户端软件是不支持HTTP 302重定向的；另外，针对纯TCP通信（非HTTP通信）而言，是没有类似HTTP 302这种重定向机制的。代理服务器必须能够实现条件约束下的HTTP/TCP流量透明代理。
3. 资源开销小
什么叫资源开销小，就是系统只经过一级过滤，即可实现以上1、2的功能要求。
这样说来，这种透明HTTP/TCP代理的实现是具备一些挑战的。当然，越是有挑战的事情，就越值得去做，哪怕做不出来，这种经历也值得拥有。
同时，为什么要起名“条件约束”？因为，在条件满足的情况下做出来的事情，那不叫“成功”；只有在有限条件下做出来的事情，才能叫“成功”。呵呵，这说得有点夸大了。
另外，为什么要在Linux下去实现？因为，本人专业是通信与信息系统，不懂操作系统，但也不是完全不懂，Linux还是懂一些的。而且，做IT的人都知道，“不要重复造轮子 Stop Trying to Reinvent the Wheel”。既然Linux已经提供了Netfilter这么好的轮子，那直接用就可以了。二. 原理图
图中假定有一台客户机和一台源服务器。客户机与源服务器连接的中间有一台透明代理服务器。客户机和源服务器的通信报文经过透明代理服务器的转发（透明代理服务器可以是网桥、网关等等）。透明代理服务器在分析客户机流量后，将条件约束的流牵引至目标服务器，这样就实现了HTTP/TCP的代理。
方案的流程可以描述如下（以HTTP通信为例，纯TCP通信类似）：
1. 客户机与源服务器进行TCP三步握手，并成功；
2. 客户机发送HTTP GET报文给源服务器，报文到达代理服务器；
3. 代理服务器分析该HTTP GET报文，提取其中待分析字段，并判断是否需要进行透明代理。若需要，则继续步骤4；否则，跳转步骤7；
4. 代理服务器与目标服务器进行TCP三步握手，并成功；
5. 代理服务器向目标服务器发送客户端原HTTP GET报文；
6. 目标服务器返回HTTP Response报文，转步骤9；
7. 代理服务器向源服务器转发客户端的HTTP GET报文；
8. 源服务器返回HTTP Response报文；
9. 代理服务器向客户端返回HTTP Response报文。
特别要说明的是，在步骤4和步骤5的时候，代理服务器向目标服务器发送的HTTP GET报文，该报文的源IP地址可以是客户机的IP地址，也可以是代理服务器的IP地址，而目的IP地址则一定为目标服务器的IP地址；在步骤9的时候，代理服务器向客户机返回的HTTP Response报文，源IP地址则一定为源服务器的IP地址，不论该流量是否已经被代理。因为，只有这样，客户机与源服务器的通信才没有中断，在客户机看来，这个通信也是透明的。
另外要说的一点，目标服务器上其实就是一个Web Server。因此，目标服务器可以和代理服务器是在同一台物理机器上，只需要这台物理机器开放了Web服务即可。因为，下面说到具体方案实现时，会考虑到这一点。
三. 核心技术点
为了实现上面的功能，同时满足前言中所述的3个特征，需要涉及到以下核心技术点。当然，打上核心技术点的标签，并不表示这些技术点有多么高深，只是为了阐明这些点在实现该方案时起到的重要作用。
3.1. 如何代理和牵引
前言中说了，不要去重复造轮子。代理和牵引，在Linux系统下就有Netfilter这样的优秀实现，最简单的方式就是使用其中的DNAT功能。
DNAT可以修改报文的目的IP地址，将修改后的报文路由到新的IP地址上。DNAT可以通过iptables进行配置，使能Netfilter。但是，我们的方案并不是去配置Netfilter，而是要进行更多的“条件约束”。所以，只能直接调用Netfilter的函数了。
同时，为了实现上面的资源占用率小的要求，这个功能还只能在内核态去实现，不能把报文提到用户态来分析处理。
引子引来引去，不知道说清楚没有。总之，就一句话，写一个Netfilter的内核模块，使用了DNAT功能。核心的Netfilter模块代码就是调用nf_nat_setup_info这个函数。/* Set up the info structure to map into this range. */
unsigned int nf_nat_setup_info(struct nf_conn *ct,
const struct nf_nat_range *range,
enum nf_nat_manip_type maniptype);if (0 == test_bit(IPS_DST_NAT_DONE_BIT, &(ct->status))){
natrange.flags = NF_NAT_RANGE_MAP_IPS | NF_NAT_RANGE_PROTO_SPECIFIED;
natrange.min_addr.ip = natrange.max_addr.ip = in_aton(PROXY_SERVER);
natrange.min_proto.tcp.port = natrange.max_proto.tcp.port = htons(PROXY_PORT);
retVal = nf_nat_setup_info(ct, &natrange, NF_NAT_MANIP_DST);
}3.2 解析条件约束
解析条件约束，就是获取特征报文中的信息，判断这条流是否需要进行代理和牵引。针对HTTP 协议，可以通过解析HTTP报文来获取。例如，HTTP GET报文中包含了URI、Host、Cookies、User-Agent等信息。对于其他消息格式，如HEAD、PUT、POST、DELETE、OPTIONS、CONNECT、TRACE等报文，一样的解析。
GET / HTTP/1.1
Host: www.sina.com.cn
Connection: keep-alive
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36
Accept-Encoding: gzip, deflate, sdch
Accept-Language: zh-CN,zh;q=0.8
Cookie: UOR=www.google.com.hk,blog.sina.com.cn,; SINAGLOBAL=111.204.219.195_1457679900.711867; U_TRS1=000000c3.4a14b2.56e26e1d.3ae1a792; vjuids=70ec49e0d.153647ebaae.0.cce4d7f6; ULV=1457680151554:2:2:2:111.204.219.195_1457679901.67139:1457679899520; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9WF5ROAhnUO62K6oOWNW_Llm5JpX5Kzt; vjlast=1457685828switch (ch) {
case 'C': parser->method = HTTP_CONNECT; break;
case 'D': parser->method = HTTP_DELETE; break;
case 'G': parser->method = HTTP_GET; break;
case 'H': parser->method = HTTP_HEAD; break;
case 'O': parser->method = HTTP_OPTIONS; break;
case 'P': parser->method = HTTP_POST; break;
case 'T': parser->method = HTTP_TRACE; break;
default:
SET_ERRNO(HTTP_INVALID_METHOD);
goto error;
}
// GET URI
decoded_get_pkt.pUri = payload + 4; // skip 'GET ' in first line
pEnd = search_string(decoded_get_pkt.pUri, " ", payload_len - 4, 1); //minus 'GET ' len
if (NULL != pEnd){
decoded_get_pkt.uri_len = (short int)(pEnd - decoded_get_pkt.pUri);
}else{
return FAILED;
}
// GET FILETYPE
pEnd = decoded_get_pkt.pUri + decoded_get_pkt.uri_len - 1;
while(*pEnd != '/'){
if (*pEnd == '.'){
decoded_get_pkt.pFileType = pEnd + 1;
decoded_get_pkt.file_type_len =decoded_get_pkt.uri_len - (pEnd - decoded_get_pkt.pUri + 1);
break;
}
pEnd--;
}
// GET HOST
pEnd = decoded_get_pkt.pUri + decoded_get_pkt.uri_len;
decoded_get_pkt.pHost = search_string(pEnd + 11, "Host: ", payload_len - (unsigned int)(pEnd + 11 - payload), 6); // skip first 'GET' line
if (NULL != decoded_get_pkt.pHost){
decoded_get_pkt.pHost += 6; // skip "Host: "
pEnd = search_string(decoded_get_pkt.pHost, "\r\n", payload_len - (unsigned int)(decoded_get_pkt.pHost - payload), 2);
if (pEnd != NULL){
decoded_get_pkt.host_len = (short int)(pEnd - decoded_get_pkt.pHost);
}else
return FAILED;
}else{
return FAILED;
}对于非HTTP报文来说，则需要针对不同的报文做特殊处理。例如Bittorrent协议，握手报文的特征字符串则为BitTorrent protocol，需要针对这样的字符串进行匹配来判断。
#define BITTORRENT_HANDSHAKE_STR "BitTorrent protocol"3.3 处理TCP Sequence/ACK序号
方案中，由于流量透明代理的地方处于通信过程的TCP三步握手之后，所以代理服务器不能简单依据Netfilter中NAT模块提供TCP序列号纠正，需要自行进行计算。流量透明代理之后，代理服务器工作于客户机和目标服务器之间，那么，代理服务器就需要维护与客户端的TCP连接，以及与目标服务器连接之间的TCP连接，提供序列号变换操作。Seq-Proxy = (ISN-Client+ ISN-Proxy + Client_Send_len) & ((1<<32) - 1);
Seq-Server = (ISN-Server + ISN-Proxy + Proxy_Send_len) & ((1<<32) - 1);
3.4 报文校验
更改报文的序列号之后，需要对报文进行校验。
报文的校验分为两部分，IP报头校验和TCP报头校验。IP报头校验值只和IP段内容相关，由Netfilter的NAT模块进行DNAT和SNAT操作之后提供，无需自行计算。TCP报文的校验则需要自行计算。需要注意的一点是，客户机发给源服务器的报文，在代理服务器的Pre-Routing处即可计算；而目标服务器返回给代理服务器的报文，由代理服务器进行SNAT之后，在Post-Routing处进行计算，再发给客户机。tcph->check = 0;
tcph->check = csum_tcpudp_magic(iph->saddr, iph->daddr,
ntohs(iph->tot_len) - iph->ihl * 4, iph->protocol,
csum_partial((unsigned char *)tcph, ntohs(iph->tot_len) - iph->ihl * 4, 0));TCP报文在计算校验前，一定要先把check字段设置为0，否则计算出来的校验码是错误的。
3.5 代理后如何获取源服务器真实IP地址
对于HTTP的代理而言，目标服务器是不需要获取源服务器真实IP地址。因为，从HTTP GET报文中，目标服务器可以通过Host字段获取源服务器域名，再进行DNS解析即可。
对于TCP的代理而言，目标服务器则需要获取源服务器真实IP地址。如果目标服务器程序与代理服务器不在同一物理服务器上，只能通过额外连接进行交互获取源服务器真实IP地址；若处在同一台物理服务器上，Netfilter子系统中提供了获取的方法，即在目标服务程序中，对接入的连接使用getsockopt函数提取SO_ORIGINAL_DST参数。struct sockaddr_in ori_serv_addr;
socklen_t ori_serv_addr_len = sizeof(ori_serv_addr);
if (0 == getsockopt(client_fd, SOL_IP, SO_ORIGINAL_DST, (struct sockaddr*)&ori_serv_addr, &ori_serv_addr_len)) {
printf ("The original server address => %s:%u\n", inet_ntoa(ori_serv_addr.sin_addr), ntohs(ori_serv_addr.sin_port));
}四. 验证
为了简便，采用HTTP协议进行验证。实验环境的拓扑图和文章(二)段中介绍的原理图一样，源服务器为新浪，目标服务器为QQ（两大门户网站，被我小戏弄一番，应该没事）。
各个服务器的参数如下：
（1）客户机
（2）代理服务器
代理程序内核模块基于Linux Kernel 3.13.0-32-generic
（3）源服务器及请求URL：
a) http://i1.sinaimg.cn/dy/deco/2013/0329/logo/LOGO_1x.png
b) http://i1.sinaimg.cn/lx/2011/0426/U5475P622DT20110426110242.jpg
c) http://n.sinaimg.cn/tech/transform/20160311/31iY-fxqhmvp6148849.jpg
（4）目标服务器
验证场景：
a) 当客户机请求域名 i1.sinaimg.cn 的png文件时，将请求代理到目标服务器www.qq.com，目标服务器IP地址101.226.103.106；
b) 当客户机请求域名 i1.sinaimg.cn 的非png文件时，流量一律放行；
c) 当客户机请求非域名i1.sinaimg.cn 内容时，流量一律放行；
操作步骤：
a) 代理服务器安装双网卡，开启网桥模式；一边接互联网，一边接客户机；客户机通过该网桥连入互联网
b) 客户机开启Wireshark抓包
c) 客户机使用Chrome浏览器访问上面3个URL，获取数据。
4.1 验证场景a
4.2 验证场景b
4.3 验证场景c
