Flex Socket 与 C++ 通讯 --- 安全沙箱问题解决

最近一个项目的客户端要改成Flex,使用Socket与C++通讯时遇到了安全沙箱问题,这是我的解决方法;

 

 1):策略文件与主套接字在同一端口,只需调用 Socket.connect() 或 XMLSocket.connect() 方法;

 

 2):策略文件与主套接字在不同端口,需使用特殊的“xmlsocket”语法调用 Security.loadPolicyFile() 方法,如下所示:

Security.loadPolicyFile("xmlsocket://server.com:2525");

先调用 Security.loadPolicyFile() 方法,然后再调用 Socket.connect() 或 XMLSocket.connect() 方法。 

 

测试代码:使用同一端口

 

[cpp]  view plain copy
  1. #include <winsock2.h>  
  2. #include <windows.h>  
  3. #include <iostream>  
  4. using namespace std;  
  5. #pragma comment(lib,"ws2_32.lib")  
  6.   
  7. void main()  
  8. {   
  9.     WORD wVersionRequested;  
  10.     WSADATA wsaData;  
  11.     int err;  
  12.     short port=1800;//端口号  
  13.       
  14.     wVersionRequested = MAKEWORD( 1, 1 );  
  15.     err = WSAStartup( wVersionRequested, &wsaData );//初始化套接字  
  16.     if ( err != 0 )  
  17.     {  
  18.         return;  
  19.     }  
  20.       
  21.     if ( LOBYTE( wsaData.wVersion ) != 1 || HIBYTE( wsaData.wVersion ) != 1 )  
  22.     {  
  23.         WSACleanup( );  
  24.         return;  
  25.     }  
  26.       
  27.     SOCKET sockSrv=socket(AF_INET,SOCK_STREAM,0);//创建套接字  
  28.     SOCKET sockConn;//用来和客户端通信的套接字  
  29.     SOCKADDR_IN addrSrv;//用来和客户端通信的套接字地址  
  30.     addrSrv.sin_addr.S_un.S_addr=htonl(INADDR_ANY);  
  31.     addrSrv.sin_family=AF_INET;  
  32.     addrSrv.sin_port=htons(port);  
  33.       
  34.     bind(sockSrv,(SOCKADDR*)&addrSrv,sizeof(SOCKADDR));//绑定端口  
  35.     listen(sockSrv,5);//侦听  
  36.       
  37.     printf("Server %d is listening....../n",port);  
  38.       
  39.     SOCKADDR_IN addrClient;  
  40.       
  41.     int len=sizeof(SOCKADDR);  
  42.     char buf[4096];//接收的数据  
  43.     char rbuf[100]=  
  44.         "<cross-domain-policy> "    
  45.         "<allow-access-from domain=/"*/" to-ports=/"*/"/>"    
  46.         "</cross-domain-policy> ";//套接字策略文件  
  47.       
  48.     while(1)  
  49.     {  
  50.         //接受连接  
  51.         sockConn=accept(sockSrv,(SOCKADDR*)&addrClient,&len);  
  52.         printf("Accept connection from %s/n",inet_ntoa(addrClient.sin_addr));  
  53.           
  54. recv:  
  55.         //接收数据  
  56.         int bytes;  
  57.         if((bytes=recv(sockConn,buf,sizeof(buf),0))==SOCKET_ERROR)  
  58.         {  
  59.             printf("接收数据失败!/n");  
  60.             exit(-1);  
  61.         }  
  62.   
  63.         buf[bytes]='/0';  
  64.         printf("Message from %s: %s/n",inet_ntoa(addrClient.sin_addr),buf);       
  65.   
  66.         if (0 == strcmp(buf,"<policy-file-request/>"))  
  67.         {  
  68.             //发送数据  
  69.             if(send(sockConn,rbuf,strlen(rbuf)+1,0)==SOCKET_ERROR)  
  70.             {  
  71.                 printf("发送数据失败!");  
  72.                 exit(-1);  
  73.             }  
  74.             printf("Message to %s: %s/n",inet_ntoa(addrClient.sin_addr),rbuf);  
  75.         }  
  76.         else  
  77.         {  
  78.             //Echo  
  79.             if(send(sockConn,buf,strlen(buf)+1,0)==SOCKET_ERROR)  
  80.             {  
  81.                 printf("发送数据失败!");  
  82.                 exit(-1);  
  83.             }  
  84.             printf("Message to %s: %s/n",inet_ntoa(addrClient.sin_addr),buf);  
  85.             goto recv;  
  86.         }  
  87.         //清理套接字占用的资源  
  88.         closesocket(sockConn);  
  89.     }  
  90. }  

 

 

无论是哪种情况,服务器均必须等待客户端的第一次传输之后再决定是发送策略文件还是建立主连接。当 Flash Player 请求策略文件时,它始终会在建立连接后传输以下字符串:

<policy-file-request/>

服务器收到此字符串后,即会传输该策略文件。程序对于策略文件请求和主连接并不会使用同一连接,因此应在传输策略文件后关闭连接。如果不关闭连接,Flash Player 将关闭策略文件连接,之后重新连接以建立主连接。

 

 

附网络资料:

1,首先检测目标服务器的843端口是否提供安全策略
2,如果1没有检测到策略,则检测actionscript是否使用了Security.loadPolicyFile(xmlsocket://) 手段提供安全策略,如果还没检测到,则使用第3步检测
3,检测目标服务器目标端口是否提供安全策略

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
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
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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