用RAIL为没有强签名的程序集签名

你是否有过这样的经历,你的程序集需要强签名,但是你引用的一个第三方程序集没有强签名,那么你也因此不能为你自己的程序集强签名了。你并没有第三方程序集的源代码,所以你无法给它签名,但是你的安全策略要求你发布的程序集必须有强签名,怎么办呢?

这的确是个很棘手的问题,幸好有一个折中的方法。我们可以这样,将第三方程序集引用的程序集签名(方法同正在描述的一样),然后将要签名的这个第三方程序集反编译为IL,将这个IL编译成新的一个程序集并给予签名。这样,我们就得到了一个有签名的第三方程序集,我们在自己的项目中引用这个有强签名的程序集,这样一来,我们就可以强签名自己的程序集了!^_^

上面的是理论,实现起来可能比较复杂,现在我们可以借助RAIL来简单的达到这个目的。对于不了解RAIL的朋友,RAIL是.NET下一个非常好的Code Instrumentation Library,它的能力很强,简单地说就是能够将一个程序集的IL结构转成(parse)成对象,然后基于对象操作整个程序集的结构,比如删除一个类型,在一个方法中插入另一个方法的指令等等。

我们这里会活用RAIL,用RAIL加载一个程序集然后什么都不做就保存为另一个程序集,但是我们会在保存时加入强签名。值得一提的是,RAIL最新的版本0.5.7并没有对强签名做实现,而且在保存方面还有一些不足,以下是一些它的问题:

  • 不能指定保存路径,自动保存到当前目录的上一级目录。不要问我为什么是上一级目录,我也不知道。
  • 不能控制PDB文件的生成,自动生成,这个我个人觉得很烦。
  • 没有实现强签名功能,保存后的程序集都是无强签名的。
  • 在使用过程中发现了一个读取程序集结构的bug,读取构造函数时没有区分是.ctor还是.cctor(分别为实例构造函数与静态构造函数),导致调用错误,引起错误的IL输出。

针对以上问题,如果不解决掉的话就会使RAIL使用起来不够自然,不够自信,所以我动手了解了一番RAIL的源代码,终于把以上问题解决了。我用这个改动后的RAIL将RAIL自身引用的一个DLL强签名了(没有源码),然后又重新编译了一个有强签名的RAIL^_^ 这样一来RAIL就可以在有强签名的项目中被引用了。使用改动后的RAIL实现保存时签名的代码如下:

None.gif //  Load the original assembly.
None.gif
string  asmFileName  =  Environment.CurrentDirectory  +   " \\DotSets.dll " ;
None.gifRAssemblyDef dotSets 
=  RAssemblyDef.LoadAssembly(asmFileName);
None.gif
None.gif
//  Save as a new assembly with strong name.
None.gif
dotSets.SaveAssembly(Environment.CurrentDirectory  +   " \\saved\\DotSets.dll " false @" E:\Work\Rail-Working\key.snk " );

保存时的第一个参数为新程序集的路径,第二个参数为是否生成PDB文件,第三个参数为签名文件,如果指定为null的话就没有强签名。

我相信你一定也对RAIL感兴趣了吧,RAIL的能力很强,我准备用它实现一个AOP框架,目前还在需求挖掘阶段,有兴趣的并且代码规范执行的彻底的朋友可以联系我!:)

BTW,RAIL是葡萄牙的一所大学创建的,代码质量很差,不过技术能力很强。;)

在这里下载修改过的版本:http://www.cnblogs.com/Files/cavingdeep/rail-modified-by-cavingdeep-v0.5.7.zip

License为Mozilla Public License 1.1

转载于:https://www.cnblogs.com/cavingdeep/archive/2005/08/13/214129.html

【6层】一字型框架办公楼(含建筑结构图、计算书) 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,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,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,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。
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