《iOS应用逆向工程》学习笔记(二)iOS系统目录结构(部分)

首先下载个iFile,可以用来直观地查看iOS系统的目录结构。 

下面记录一些关键的iOS目录结构:

/var:“variable”的简写,存放一些经常更改的文件,例如日志、用户数据、临时文件等。其中/var/mobile/Applications下存放了所有App Store App。 


/Applications:存放所有的系统App和来自Cydia的App,不包括App Store App。越狱的过程把/Applications变成了一个符号链接,实际指向/var/stash/Applications。 


/Library:用来存放系统App的数据。其中/Library/MobileSubstrate中存放了所有基于MobileSubstrate的插件。 

注:MobileSubstrate(手机基础平台)是一个提供hook(注入)功能的基础平台,运行在该平台上的插件通常称为tweak(扭曲,改动)。 

在/Library/MobileSubstrate下通常有3类文件: 

(1)dylib:即Dynamic Library,也就是tweak插件。 

(2)plist:用于配合dylib使用的filter文件,指定注入目标。其格式为: 

Filter = { 

Bundles = (com.apple.springboard); 

}; 

(3)disabled:被SBSettings禁用的tweak文件,事实上就是将dylib文件改了个后缀,不让MobileSubstrate加载而已。 


/System:包含了大量的系统组件。 其中/System/Library/Frameworks/System/Library/PrivateFrameworks存放iOS中的各种framework,包括公开的和私有的等等。 

/System/Library/CoreServices里的SpringBoard.app就是桌面管理器。 

/System/LIbrary/PreferenceBundles:其中的各种bundle提供了“设置”中的绝大多数功能。 


/User:实际指向/var/mobile。该目录存放了大量的用户数据,例如: 

/var/mobile/Media/DCIM:照片目录。 

/var/mobile/Library/SMS:短信目录。 

/var/mobile/Library/Mail:邮件目录。 

/var/wireless/Library/CallHistory:通话记录。貌似在iPod上没有这个目录。


注:原书中还有好多目录没有记录下来,这里只是摘录了一些个人认为比价重要的或比较感兴趣的。随着日后的深入,本文会继续补充的。


摘自《iOS应用逆向工程》,官网是http://iosre.com/

以上内容可能有所改动,一切以原书为准。感谢作者的分享。



使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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