Symbian OS高级开发篇之Ecom

最新推荐文章于 2019-03-31 22:52:00 发布
最新推荐文章于 2019-03-31 22:52:00 发布
阅读量1.1k 收藏 1
点赞数
文章标签： symbian os 框架 dll 工作 平台
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Max__Payne/article/details/5069492
版权
Symbian OS高级开发篇之Ecom


在C++中，抽象类和虚函数意味着程序可以调用或访问类而不用知道其具体实现，这种机制允许实现在接口定义之后进行。这种实现称之为插件。Symbian OS中的ECOM就是一个通用的插件框架，提供了一个简单的机制，用以注册、查询接口实现，选择使用合适的实现，提供插件版本控制等。介绍ECOM如何完成这些工作前我们先来看一下插件系统的本质。

 

一个客户程序希望访问一个对象来进行一些处理，这个对象的具体实现直到运行之前是不知道的，我们只知道处理的一般特性和接口的定义，并且这些处理在相同的接口下有不同的变化。这样的系统有四种清晰定义的角色，即请求服务的客户程序、如何请求服务的接口定义、提供处理请求的接口实现以及提供客户程序访问具体实现（实例化）的框架。如下图所示：

 

 Symbian OS Ecom plugin


图1 插件关系图

 

实例化是这样的系统的核心，它负责提供识别出来的服务，运行时加载正确的接口实现。Ecom就是这样的一个框架，我们接下来分别从接口客户端、接口实现及接口定义这几方面来了解Ecom。

 

接口客户端

插件框架的客户程序使用框架提供的C++接口来实现Ecom，除了以下的步骤并不需要额外的步骤：

链接Ecom框架的库文件ecom.lib
Include接口定义文件
通过接口的NewL方法获取一个对象，通常客户程序传递一些数据来表明所需对象的特性。
使用对象
对象使用结束后删除
调用REComSession::FinalClose方法清除内存的使用
 

由于框架提供了大部分功能，所以接口客户端不需要做太多的工作，只需调接口即可，但内存的回收清除工作是一个例外。为了确保在不用时能正确卸载，并释放所用的内存，借口客户端应该遵循以下规则：

当那些从接口获取的实例化对象不在使用时，应该删除。
诸如服务、应用程序及测试程序等进程，必须在退出之前调用REComSession::FinalClose方法使得Ecom框架能够进行最终的清除工作。这个方法必须在所有实例化对象被删除之后才能调用。
如果在库文件中使用了Ecom，应该在库文件的退出函数中调用REComSession::FinalClose方法。
 

需要注意的是FinalClose方法不能在接口或插件类的析构函数中调用。

 

接口定义

接口定义有两个目的，一是为客户端的使用定义函数，这些函数通常是纯虚函数，由实现者从它派生来提供具体的功能；另一目的是提供对象实例化功能，这个功能并不创建接口类自己的实例，而是使用Ecom创建合适的实现实例，返回给客户程序。接口在析构时会通知Ecom对象已被析构。

 

通常接口定义为Ecom提供了可用实现的识别，这种识别可以使显式的，如一个UID标示一个特殊的实现，也可以是间接的，如用数据来匹配实现的自我描述。这个选择的过程称为Resolution，执行的实体成为Resolver。Ecom提供了一个缺省的Resolver，但接口定义可以按需提供自己的Resolver。

 

接口实现

一个接口实现提供接口约定的服务，实现以C++标准的方式来做，从基类派生。一个或多个接口实现集中在一个Dll中，称为一个接口实现集，一个集合可以拥有多个接口的实现，每个集合有两个关键的功能供Ecom使用：

导出一个工厂函数的数组使得实现能被创建
发布一个注册资源文件，列出所有的实现和属性
 

Ecom架构安全

Symbian OS的安全架构提供了恶意及非法代码的防护，保证了平台的安全性。以下是平台安全与Ecom插件架构相关的几个方面：

平台安全的能力模型（capability model），它防止进程加载和使用比自身安全性还低的Dll。
控制软件安装，以确保其不能破坏已安装的软件。
控制进程对特殊文件的访问。
在Ecom中，插件是一个Dll，当提供接口实现的Dll被实例化时它被加载到客户端进程，如果插件Dll的能力（capability）比加载它的进程的能力低的话，系统会报请求被拒的错误（-46）。

 

插件的提供者必须考虑以下的安全性因素：

如果提供一个无能力的插件，那这个插件只能被无能力的客户端进程加载使用。
如果插件只为某个程序所用，那么那个程序的文档中应给出它需要什么样的能力。
如果想让插件能被所有程序使用（除了内核和文件服务），那么应该将其设为完全能力的即Tcb, 当然这么高的能力是需要通过Symbian Sign的。
Resolver插件是一个特例，它被Ecom自身的一个服务进程加载，所以必须是被服务所信任的。这时插件要有ProtServ能力。
平台安全架构严格要求所有的可执行代码，包括插件，都放在/sys/bin/目录下，且对此目录的访问有限制，仅有少数的系统进程能够访问。另外插件所需的资源文件安装在/resource/plugins/目录下。

 

Ecom框架小结

Ecom框架代表接口定义提供在运行时解析（Resolve）和加载合适实现的能力，它是客户服务器结构，有一个单件模型的客户端会话类REcomSession,这个类具有创建、销毁和枚举实现的功能，服务端控制着实现的注册和加载。

 

前面提到过框架提供了缺省的Resolver，来选择合适的实现，接口可以通过询问框架来创建最合适的实现，或要求返回所有匹配的实现的列表，再通过其他方法来选择一个合适的实现。


本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/pursuer_zhao/archive/2009/03/28/4032133.aspx

Max__Payne
关注
symbian下ECOM开发
03-08
### Symbian 下 ECOM 开发 #### 一、引言 Symbian 系统作为曾经移动设备领域的领头羊，在其发展过程中积累了一系列强大的技术框架与开发工具。其中，ECOM（Extended Component Model）作为 Symbian 平台上的一个...
深入理解JVM(八)——类加载的时机
大闲人柴毛毛
04-26 6503
类的生命周期一个类从加载进内存到卸载出内存为止，一共经历7个阶段： 加载——>验证——>准备——>解析——>初始化——>使用——>卸载其中，类加载包括5个阶段： 加载——>验证——>准备——>解析——>初始化在类加载的过程中，以下3个过程称为连接： 验证——>准备——>解析因此，JVM的类加载过程也可以概括为3个过程： 加载——>连接——>初始化C/C++在运行前需要完成预处理、编译、汇编、
ECOM
gogo313的专栏
10-30 836
 ECOM架构ECOM是一个通用的、可扩展的框架，它可以定义抽象接口，并且可以识别接口的实现，还负责装载并管理它们。该框架：可以识别所有特定接口的具体实现。允许接口的客户动态指定应该使用哪一个接口实现。这个选择的过程被称为决议(resolution)。ECOM提供了一个默认的决议者，在需要的地方，接口定义可以提供它们自己自定义的决议者。通过调用恰当的工厂函数(factory function)
Linux下如何查看进程准确启动时间
weixin_30596343的博客
03-31 1953
转载于:https://www.cnblogs.com/EisNULL/p/10633838.html
行开发：ecom开发
02-23
在IT行业中，"行开发：ecom开发"通常指的是进行电子商务平台的开发工作。Ecom（电子商务）是一个广泛的领域，涵盖了在线购物、支付处理、库存管理、订单跟踪等多个方面。在这个过程中，开发人员需要掌握多种技术和...
ECOM串口助手
07-19
在电子工程、嵌入式系统开发、物联网应用等场景中，串口通信是连接硬件设备和计算机的重要手段，而ECOM串口助手就是协助开发者进行这种通信的一种实用软件。 首先，我们要理解什么是串口。串口，即串行接口，是...
Ecom
03-29
"Ecom"是一个可能指的是电子商务或者与电子商务相关的项目或平台。在互联网技术中，电子商务（E-commerce）是指通过网络进行的商业活动，包括在线购物、电子支付、网络营销、供应链管理等多个方面。HTML（HyperText ...
JSP学生学籍管理系统设计与实现(源代码+论文+开题报告+外文翻译+答辩PPT).zip
09-21
1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证，保证能够正常运行； 2、项目问题、技术讨论，可以给博主私信或留言，博主看到后会第一时间与您进行沟通； 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用，尤其对于人工智能、计算机科学与技术等相关专业，更为适合； 4、下载使用后，可先查看README.md或论文文件（如有），本项目仅用作交流学习参考，请切勿用于商业用途。 5、资源来自互联网采集，如有侵权，私聊博主删除。 6、可私信博主看论文后选择购买源代码。
省市区数据，完成三级联动，选择地区
09-21
省市区数据，完成三级联动，选择地区
机械原理课程设计网球自动捡球机.doc
最新发布
09-21
机械原理课程设计网球自动捡球机.doc
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
09-21
2024秋招华为笔试题大全-仅供参考具体需要根据实际修改
借助于Ascend310 AI处理器完成深度学习算法部署任务，
09-21
应用背景为变电站电力巡检，基于YOLO v4算法模型对常见电力巡检目标进行检测，并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务，并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
基于深度学习的物体识别与抓取方法，六自由度机械臂，python编写程序.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
09-21
电子设计论文文档资料液面检测器电子设计论文文档资料液面检测器
基于深度学习的多特征电力负荷预测.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
c#代码介绍23种设计模式-03工厂模式(附代码)
09-21
1. 工厂方法模式之所以可以解决简单工厂的模式： 是因为它的实现把具体产品的创建推迟到子类中，此时工厂类不再负责所有产品的创建，而只是给出具体工厂必须实现的接口， 这样工厂方法模式就可以允许系统不修改工厂类逻辑的情况下来添加新产品，这样也就克服了简单工厂模式中缺点 2. 使用工厂方法实现的系统，如果系统需要添加新产品时： 我们可以利用多态性来完成系统的扩展，对于抽象工厂类和具体工厂中的代码都不需要做任何改动。 例如，我们我们还想点一个“肉末茄子”，此时我们只需要定义一个肉末茄子具体工厂类和肉末茄子类就可以。而不用像简单工厂模式中那样去修改工厂类中的实现 3. 从UML图可以看出，在工厂方法模式中，工厂类与具体产品类具有平行的等级结构，它们之间是一一对应的。针对UML图的解释如下： Creator类：充当抽象工厂角色，任何具体工厂都必须继承该抽象类 TomatoScrambledEggsFactory和ShreddedPorkWithPotatoesFactory类：充当具体工厂角色，用来创建具体产品 Food类：充当抽象产品角色，具体产品的抽象类。任何具体产品都应该继承该类 Tom
基于深度学习对法国租界地黑白照片上色模型.zip
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
精通Symbian OS C++高效编程技巧
二进制类型和ECOM（Enterprise Communication Objects Model）是Symbian OS中的高级特性，用于跨进程通信。书中详细介绍了如何利用这些技术来构建可扩展的应用程序。 书中还特别强调了严重错误的处理，如如何利用...
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