Layer 2 网络邻居发现工具技术文档
2024-12-26 11:34:16作者:仰钰奇
1. 安装指南
1.1 环境要求
在开始安装之前,请确保您的系统满足以下要求:
- Python 2.7 或 3.4 及以上版本
- Scapy 库,用于网络功能,如 ARP ping
1.2 安装步骤
您可以通过以下两种方式安装项目依赖:
1.2.1 使用包管理器安装 Scapy
如果您已经安装了包管理器(如 apt、yum 或 brew),可以直接使用包管理器安装 Scapy:
$ sudo apt-get install python-scapy # 对于 Debian/Ubuntu 系统
$ sudo yum install scapy # 对于 CentOS/RHEL 系统
$ brew install scapy # 对于 macOS 系统
1.2.2 使用虚拟环境安装
推荐使用虚拟环境来隔离项目依赖,避免与系统全局 Python 环境冲突。以下是使用虚拟环境的安装步骤:
$ virtualenv virtualenv # 创建虚拟环境
$ source virtualenv/bin/activate # 激活虚拟环境
$ pip install -r requirements.txt # 安装项目依赖
2. 项目的使用说明
2.1 基本用法
项目提供了一个命令行工具 neighbourhood.py,用于发现本地网络中的主机。使用以下命令运行工具:
$ sudo ./neighbourhood.py [-i <interface>]
其中,-i 参数用于指定网络接口(如 eth0 或 wlan0)。如果不指定接口,工具将使用默认的网络接口。
2.2 输出结果
工具运行后,将输出本地网络中所有活动主机的 IP 地址和 MAC 地址。例如:
192.168.1.1 - 00:11:22:33:44:55
192.168.1.2 - 66:77:88:99:AA:BB
3. 项目 API 使用文档
3.1 核心功能
项目的核心功能是通过 ARP ping 发现本地网络中的主机。以下是主要功能的 API 说明:
3.1.1 discover_hosts(interface=None)
- 功能: 发现指定网络接口上的所有活动主机。
- 参数:
interface: 字符串类型,指定网络接口。如果为None,则使用默认接口。
- 返回值: 返回一个字典,键为 IP 地址,值为 MAC 地址。
3.1.2 arp_ping(ip, interface=None)
- 功能: 向指定 IP 地址发送 ARP ping。
- 参数:
ip: 字符串类型,目标 IP 地址。interface: 字符串类型,指定网络接口。如果为None,则使用默认接口。
- 返回值: 如果目标主机响应,则返回其 MAC 地址;否则返回
None。
3.2 示例代码
以下是一个使用项目 API 的示例代码:
from neighbourhood import discover_hosts, arp_ping
# 发现所有活动主机
hosts = discover_hosts(interface='eth0')
for ip, mac in hosts.items():
print(f"{ip} - {mac}")
# 向特定 IP 发送 ARP ping
mac_address = arp_ping('192.168.1.1', interface='eth0')
if mac_address:
print(f"Host is alive: {mac_address}")
else:
print("Host is not responding")
4. 项目安装方式
4.1 从源码安装
您可以通过以下步骤从源码安装项目:
- 克隆项目仓库:
$ git clone https://github.com/your-repo/neighbourhood.git $ cd neighbourhood - 创建并激活虚拟环境:
$ virtualenv virtualenv $ source virtualenv/bin/activate - 安装项目依赖:
$ pip install -r requirements.txt
4.2 使用 pip 安装
如果项目已经发布到 PyPI,您可以直接使用 pip 安装:
$ pip install neighbourhood
结语
本文档详细介绍了 Layer 2 网络邻居发现工具的安装、使用和 API 文档。通过本文档,您可以快速上手并使用该工具来发现本地网络中的活动主机。如果您有任何问题或建议,欢迎反馈。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
909
暂无简介
Dart
921
228
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381