BitTorrent V2 相关

近日BitTorrent V2(以下记作BTv2/v2, 原版本记作v1)协议的种子文件格式被设置为qBittorrent最新版本(4.4.0)制作种子的默认格式, 一时间诸多PT鸡飞狗跳, 修定规则以不变应万变(笑)。看了下原始提案, BTv2确实解决了不少v1的痛点, 但完全抛弃后向兼容性这一点确实值得商榷。本文将主要参考提案原文以及著名实现libtorrent(rasterbar)给出的介绍文来谈谈BTv2带来了什么, 解决了什么问题, 以及引发了哪些新问题。

BTv1的痛点

熟悉BT种子文件(.torrent)文件的人会知道, 种子文件是一个Bencode编码的字典(dictionary, 也可以简单理解为一个Map<String,Object>), 存储了描述待传输文件的必要元信息(根下键为”info”的一个map), 包括文件名路径列表(files:list), 哈希截取长度(piece length:integer) 以及 串联的哈希值 (pieces:byteArray)。

在v1中饱受诟病的有两点, 一是files中每个文件item都必须把从文件根目录到最后的文件名各层级逐一列出来, 而非一个简单的树状结构, 这意味着如果一个很深层的目录下有很多文件, 那么这个深层目录树会被重复记录很多次。

第二个是整个哈希机制的设计, 要求根据files中给出的文件顺序, 将做种根目录下所有文件连接、抽象成一整个大的二进制文件, 然后以哈希截取长度为步长去计算每一分片的哈希(相关padding不多赘述), 最后再将这些二进制的哈希值按顺序连接起来成一个字节数组作为pieces的value。这样的好处当然是实现简单, 但是带来了一些问题, 比如由于制作种子文件的程序有可能未指定files里的item必须按照字典序排序, 导致同一个做种根目录就算使用同样的piece length, 但由于文件在files中的顺序不同, 导致最终pieces里的值不一样, 进一步导致了用相同的一批文件使用不同种子制作程序制作出不同的种子。这一点事实上在v1中应该是做了规定必须按照字典序排序, 但由于实现上的缺陷, 部分早期BT客户端未严格排序, 导致后来的客户端普遍做了兼容处理, 未将不按照字典序排序的种子文件视作非法。当然现在回顾来讲在做了兼容处理后这并不是特别严重的问题, 更大的诟病是在这个一整片的哈希机制上。

一整片的哈希导致若某个区块损坏, 需要下载这个整区块。如果步长被设置得很长而实际损坏的部分很短就会造成网络带宽的浪费。整片哈希也不利于单个文件单独校验。相信部分BT老用户一定有这样的经历: 某个区块正好是某几个文件””连结处”, 比如若干个1KB小文件后根一个1GB大文件, 步长被设置为1MB, 然而大文件的头一个字节损坏了, 那么校验的时候前几个1KB的小文件也会被认为是损坏的。事实上有的种子制作程序会单独为单个文件添加哈希, 但这并不是普遍实现。而像BitComet和qBittorrent等知名客户端则采用了”傀儡补齐”的方案, 即在小文件后面追加一个全为0的padding文件凑齐步长, 实际下载的时候并不会下载padding文件。这不失为一个很好的workaround。

以上两个痛点在v2中都有了解决方式。

BTv2的解法

针对冗余目录结构的问题, 最自然的想法就是利用Bencode dict本身的层级结构去复刻文件的层级结构, BTv2中info下新增了”file tree”节点就是这样组织的, 非常符合直觉, 解决了冗余目录信息的问题。同时为了规范前述字典序等遗留问题, v2强制规定file tree中必须按照字典序排序目录结构, 补充规定了一些无效项, 如Bencode中的-0被规定为无效数字, 带前缀0的整数也被规定为无效。

而针对哈希机制, BTv2首先摒弃了v1中采纳的后来被证实容易产生碰撞(collision)的SHA-1哈希算法, 转向SHA-256哈希算法, 得到的哈希长度从20字节增加到32字节, 另一方面使用哈希树(Merkle Tree)的方式组织整个哈希机制, 并且是针对单个文件进行哈希, 而非连接成一个整片。

哈希树, 简单来说即是通过按照一定的步长计算文件(或者任意抽象二进制字节数组)各个分片的哈希, 将这些哈希值当作叶节点, 构造一棵完全二叉树, 父节点的哈希值是函数hash(l_child_hash byteArray concat r_child_hash byteArray)的值, 最后能够得到一个根节点的哈希值。

Merkle Tree

BT中实际网络传输的最小单元大小是16KB, 所以在对单个文件构造哈希树的步长很自然地被设置成16KB。除了得到每个文件的根哈希值, 由于传输校验需要, 还需要得到各分片的哈希值, 难道要把以16KB为步长的哈希值都记入种子文件吗? 那未免太长。实际上记入种子文件中的是根据原来的piece length这一项推出的树的倒数某一层的哈希值连接构成的字节数组。比如如果piece length正好被设置成16KB, 那就是所有叶子哈希值都要被记入种子文件。如果piece length被设置为32KB, 那么树上倒数第二层的所有哈希值构成的字节数组会被记入种子文件。

在前述的file tree中, 每个实际文件item中会有一项”piece root”, 用以记录这个文件的哈希树根节点哈希值。而在与info同级的节点”piece layer”中, 以dict (Map<byte[],byte[]>)的形式记录(piece root, concated layer piece)。这样一来, 相同的文件就会对应相同的根哈希值, 对于需要单个文件校验的情况非常有利, 也无需padding的workaround。

使用哈希树组织还带来了额外的好处。我们知道磁力链接(magnet:?)中的哈希实际上是对info节点的哈希, 客户端根据这个哈希从DHT中找到对应的peer, 然后从peer那里取回整个info节点。在v1中info节点会存储pieces, 即所有分片的哈希, 在info节点较大的情况下(种子整体体积大/分片步长设置过小)通过磁力链下载的“起步时间”会相应较慢, 就是卡在从peer取info节点这个过程。而v2中实际的分片哈希存储在”piece layer”节点, info存的是各文件的根哈希值, 相对较小, 通过磁力链从peer那里取info节点的开销也就相应变小了。另一个好处是, 由于现在每一个文件对应一个根哈希值, 文件-根哈希 这个关系实际上也可以被分发到DHT上, 即不需要拥有整个种子文件里描述的所有文件也可以支持做种(seeding), 特别适合同一个文件在不同种子中都出现的情况。可以预见这个特性会一定程度改善公网的保种状况。

info中的根哈希 与 piece layer 中作为key的根哈希

然而这些好处、解决的痛点和PT其实没什么关系。

BTv2带来的麻烦

由于有新的节点挂在info下(file tree, meta version), 为了同时兼容v1 v2, 正确的做法是针对v1 v2分别计算info的哈希用于magnet, 在v2中magnet实际上也规定了在param xt=urn:btih 以外的 xt=urn:btmh (i 表示 info, h 表示hash, m表示multi-info), 用形如magnet:?xt=urn:btih:(v1 hash)&xt=urn:btmh:1220(v2 hash,1220是magic number) 的形式做后向兼容。计算v1哈希时应该跳过file tree和meta version节点, 相应的在计算v2哈希的时候应跳过files节点。

然而根据v1的规范相信大多数旧的实现会直接对整个info节点计算哈希, 这就导致了同时兼容v1 v2的hybrid torrent文件即使能被旧客户端成功识别, 也会在计算magnet用的哈希上出现问题, 导致在DHT/tracker上 无效/错误 的 分发/汇报(announce), 取不到期望的peer list。同时纯v2的torrent文件因为缺少files节点显然不能被旧客户端识别。

更糟糕的是, 上述解决的痛点以及带来的好处对PT来说是不存在的。在讲究私密的传输环境中, 即使相同的文件能在DHT上找到另一处来源, 但由于PT在制种时候设置了info.private=1, 合规的客户端对这样的种子必须关闭DHT分发, 基本上瓦解了整个新哈希机制带来的好处。同时由于冗余的根哈希值(在info和piece layer中各被存了一次), 在目录深度较浅、文件数量较少的情况下(即files tree带来的种子体积减小优势不足以抵消冗余的根哈希值带来的体积增加), 种子文件甚至是比v1还大的, 额外增加了PT服务器的存储负担。

基于这些麻烦以及对PT带来的无效增益, 很容易理解为什么多数PT没有动力去兼容纯v2格式的种子文件, 甚至v1 v2 hybrid格式的种子文件(体积两倍大)。

一些感想

BTv2从2008年提案开始, 到2017年才确认种子文件格式, 再到2020年libtorrent开发团体计划引入, 到2022年作为默认种子格式, 前后走过了14年, 还有诸多兼容性问题待解决。一方面说明了BTv1强大的泛用性、可扩展性(通过dummy padding解决一些痛点)以及生命力, 同时也说明了一旦成为de facto 的东西要改起来时困难是可以预见的。

说到底前述的这些痛点事到如今都某种程度得以解决和克服, 而在以Netflix为首的流媒体大行其道、版权要求日趋严格的今天, 贸然撼动一个有着近二十年历史的成熟协议的根基真的是一件好事吗? 最糟糕的情况恐怕是使得协议用户继续甚至加速流失吧。有个网站叫Torrent Freak, 名字取得挺自嘲倒也符合现实: 今时今日还会有哪些人在用BT呢? 国内有网盘, 国外有高清流媒体, 要不是一些非常小众甚至是行走在违法边缘的题材, 相信多数人已经渐渐淡忘emule、BT这些工具、协议了。包括像ftp/smtp等无数开宗立派的老协议, 现如今他们的改进/套皮实现越来越多、也越来越人性化, 而正主正被越来越多的人遗忘。但他们真的完成历史使命了吗?

想起了”1T种子”的冷笑话。多年以后如果还有人懂”1T种子”这种笑话的内涵吗? 希望有吧。愿互联网分享精神长存。

Ref:

  1. Bittorrent V2 BEP: https://www.bittorrent.org/beps/bep_0052.html
  2. BitTorrent v2: https://blog.libtorrent.org/2020/09/bittorrent-v2/
  3. Bittorrent v1 BEP: https://www.bittorrent.org/beps/bep_0003.html
  4. Merkle Tree: https://en.wikipedia.org/wiki/Merkle_tree