1.Android C/C++ 内存泄漏分析 unreachable
2.易语言怎样写植物大战僵尸（含源码）
3.TiDB 源码阅读（十五） Sort Merge Join
4.PyTorch 源码解读之 torch.utils.data：解析数据处理全流程
5.C# 对内存的读取
6.教你阅读 Cpython 的内存内存源码（一）

Android C/C++ 内存泄漏分析 unreachable

       在追求客户端稳定性的持续努力中，内存质量已经成为关键因素之一。遍历遍历为此，工具工具淘宝实施了全面的源码源码内存治理计划，成立了专门的内存内存内存专项小组。本文着重介绍内存专项工具——内存泄漏分析工具memunreachable，遍历遍历芸众抽奖源码它在C/C++内存管理中的工具工具重要角色。

       内存泄漏，源码源码即程序中动态分配的内存内存内存未能被释放，导致系统资源浪费，遍历遍历可能引发性能下降甚至系统崩溃。工具工具C/C++环境中，源码源码由于难以精确追踪未被引用的内存内存对象，内存泄漏检测成为技术挑战。遍历遍历现有的工具工具内存检测工具，如libmemunreachable、kmemleak和llvm leaksanitizer，依赖于记录分配信息来查找问题。

       Android的libmemunreachable是无开销的本地内存检测器，它通过“标记-清除”算法遍历所有内存，标记无法访问的区域为潜在泄漏。然而，目前libmemunreachable仅在Debug配置下可用，对淘宝的Release包支持有限。本文将解析libmemunreachable的工作原理，以及淘宝如何通过修改源码，解决在Release包环境下使用的问题，以支持线上内存泄漏的定位和排查。

       libmemunreachable基于C/C++内存模型，利用栈、全局/静态存储区作为GC Root节点，判断堆内存是否被引用。它通过标记和清除机制，报告出那些未被GC根节点直接或间接持有的内存块。分析过程包括一系列关键函数，如CaptureThreads、CaptureThreadInfo等。直播源码怎么代理

       针对Android 后权限变化带来的问题，淘宝重新编译了libmemunreachable，并调整权限配置，确保在Release包下正确获取内存信息。同时，修复了ptrace在Release包下的问题，以保证unreachable的正常运行。然而，特定的内存引用方式，如base+offset，可能导致误报，因为堆和.bss中的Base和offset与实际内存A的关联可能不直接，从而产生误判。

       以上是关于libmemunreachable的分析和在淘宝环境中的应用与改进，帮助提升内存治理的效率和准确性。请参阅相关文档以获取更多信息。

易语言怎样写植物大战僵尸（含源码）

       在使用易语言编写植物大战僵尸的辅助工具时，关键步骤涉及内存操作和地址查找。首先，通过游戏内存遍历找到阳光值的基地址和偏移，这需要在游戏进程下使用内存分析工具CE，如4字节搜索来定位的地址。

       接着，要实时追踪阳光地址的变化，设置内存写入断点。在汇编指令中，通过分析add [eax+], ecx的代码，确定一级偏移为，继续寻找EAX的值。之后，使用十六进制搜索和经验挑选出可能的基地址，如前缀不重复的地址，如AC和FE7E。

       在找到可能的基地址后，通过添加指针并读取数据验证，如动态地址的面试常用源码大全计算公式：A9EC0 + + 。一旦确认正确，阳光数值在游戏和CE工具中应显示一致，表明辅助工具已经成功生成。

       在易语言中，创建窗口应用并集成内存读写模块是实现辅助的核心步骤，通过绘制界面并编写读写代码来测试。最后，将这些代码整合，生成的作弊器即可用于游戏。相比VC++，易语言提供了更为便捷的开发体验。

       以上是利用易语言编写植物大战僵尸辅助的基本过程，源码和详细教程可以在相关博客cnblogs.com/LyShark/p/1...找到。

TiDB 源码阅读（十五） Sort Merge Join

       什么是 Sort Merge Join (SMJ)：

       Sort Merge Join 是一种数据库查询优化技术。它先对两个表进行排序，然后按照连接属性归并数据，最后得到结果。当连接列为索引列时，可以避免排序带来的消耗，通常在查询优化器中选择使用 SMJ。

       TiDB Sort Merge Join 实现：

       TiDB 实现了 Sort Merge Join 算子，其核心代码位于 tidb/executor/merge_join.go 文件中的 MergeJoinExec.NextChunk。以下步骤描述了 SMJ 的执行过程：

       顺序读取外表，直到出现不同的连接键值，将相同键值的行放入数组 a1；读取内表，将相同键值的行放入数组 a2。

       从 a1 中读取当前第一行，设为 v1；从 a2 中读取当前第一行，设为 v2。

       根据连接键比较 v1 和 v2，结果分为几种情况：若 v1 等于 v2，将这两行数据加入结果集；若 v1 不等于 v2，选择更小的键值的行进行比较，直至找到相等的键值。

       重复步骤 1-3 直至内外表数据遍历完成。

       读取内外表数据：

       MergeSortExec 算子通过迭代器 readerIterator 顺序读取数据。源码的书写方法readerIterator 支持逐 Chunk 读取数据，且在此过程中可能进行过滤操作，以满足特定条件。例如，对于 SELECT * FROM t1 LEFT OUTER JOIN t2 ON t1.a=；语句，过滤条件为 t1.a=，未通过过滤的行会被发送至 resultGenerator，由 join 类型决定是否输出。

       Merge-Join 实现：

       MergeJoinExec.joinToChunk 函数实现了 Merge-Join 的逻辑，对内外表迭代器的当前数据根据连接键进行对比。对比结果分以下几种情况：若连接键相等，加入结果集；若不相等，选择较小键值的行进行比较，直至找到相等键值，重复此过程直至内外表数据遍历完成。

       TiDB 对 Sort Merge Join 的优化：

       在最新 master 分支中，TiDB 优化了 Sort Merge Join 的内存使用，避免了一次性读取大量相同的键值对，降低了内存 OOM 的风险。未来，TiDB 还将在 Merge-Join 方面进行更多优化，如采用多路归并和外部内存存储中间结果等，敬请期待。

PyTorch 源码解读之 torch.utils.data：解析数据处理全流程

       文@

       目录

       0 前言

       1 Dataset

       1.1 Map-style dataset

       1.2 Iterable-style dataset

       1.3 其他 dataset

       2 Sampler

       3 DataLoader

       3.1 三者关系 (Dataset, Sampler, Dataloader)

       3.2 批处理

       3.2.1 自动批处理（默认）

       3.2.2 关闭自动批处理

       3.2.3 collate_fn

       3.3 多进程处理 (multi-process)

       4 单进程

       5 多进程

       6 锁页内存 (Memory Pinning)

       7 预取 (prefetch)

       8 代码讲解

       0 前言

       本文以 PyTorch 1.7 版本为例，解析 torch.utils.data 模块在数据处理流程中的应用。

       理解 Python 中的迭代器是解读 PyTorch 数据处理逻辑的关键。Dataset、Sampler 和 DataLoader 三者共同构建数据处理流程。

       迭代器通过实现 __iter__() 和 __next__() 方法，支持数据的循环访问。Dataset 提供数据获取接口，Sampler 控制遍历顺序，DataLoader 负责加载和批处理数据。

       1 Dataset

       Dataset 包括 Map-style 和 Iterable-style 两种，分别用于索引访问和迭代访问数据。

       Map-style dataset 通过实现 __getitem__() 和 __len__() 方法，读取源码的方法支持通过索引获取数据。

       Iterable-style dataset 实现 __iter__() 方法，适用于随机访问且批次大小依赖于获取数据的场景。

       2 Sampler

       Sampler 用于定义数据遍历的顺序，支持用户自定义和 PyTorch 提供的内置实现。

       3 DataLoader

       DataLoader 是数据加载的核心，支持 Map-style 和 Iterable-style Dataset，提供单多进程处理和批处理等功能。

       通过参数配置，如 batch_size、drop_last、collate_fn 等，DataLoader 实现了数据的自动和手动批处理。

       4 批处理

       3.2.1 自动批处理（默认）

       DataLoader 默认使用自动批处理，通过参数控制批次生成和样本整理。

       3.2.2 关闭自动批处理

       关闭自动批处理，允许用户自定义批处理逻辑或处理单个样本。

       3.2.3 collate_fn

       collate_fn 是手动批处理时的关键，用于整理单个样本为批次。

       5 多进程

       多进程处理通过 num_workers 参数启用，加速数据加载。

       6 单进程

       单进程模式下，数据加载可能影响计算流程，适用于数据量小且无需多进程的场景。

       7 锁页内存 (Memory Pinning)

       Memory Pinning 技术确保数据在 GPU 加速过程中快速传输，提高性能。

       8 代码讲解

       通过具体代码分析，展示了 DataLoader 的初始化、迭代和数据获取过程，涉及迭代器、Sampler 和 Dataset 的交互。

C# 对内存的读取

       è¿™ä¸ªä¸æ˜¯é‚£ä¹ˆå®¹æ˜“的，首先肯定需要用到Windows API的相关功能

       èŽ·å¾—进程的句柄后，就能获得这个进程的起始内存地址

       ç„¶åŽå°±ç”¨æŒ‡é’ˆå¯¹è¿™ä¸ªåœ°å€ä¸æ–­çš„+1去遍历内存地址上的值吧

       å¦‚果是WINFORM的程序，可以通过获得子窗口句柄来减少扫描的范围吧

教你阅读 Cpython 的源码（一）

       目录

1. CPython 介绍

       在Python使用中，你是否曾好奇字典查找为何比列表遍历快？生成器如何记忆变量状态？Cpython，作为流行版本，其源代码为何选择C和Python编写？Python规范，内存管理，这里一一揭示。

       文章将深入探讨Cpython的内部结构，分为五部分：编译过程、解释器进程、编译器和执行循环、对象系统、以及标准库。了解Cpython如何工作，从源代码下载、编译设置，到Python模块和C模块的使用，让你对Python核心概念有更深理解。

       2. Python 解释器进程

       学习过程包括配置环境、文件读取、词法句法解析，直至抽象语法树。理解这些步骤，有助于你构建和调试Python代码。

       3. Cpython 编译与执行

       了解编译过程如何将Python代码转换为可执行的中间语言，以及字节码的缓存机制，将帮助你认识Python的编译性质。

       4. Cpython 中的对象

       从基础类型如布尔和整数，到生成器，深入剖析对象类型及其内存管理，让你掌握Python数据结构的核心。

       5. Cpython 标准库

       Python模块和C模块的交互，以及如何进行自定义C版本的安装，这些都是Cpython实用性的体现。

       6. 源代码深度解析

       从源代码的细节中，你会发现编译器的工作原理，以及Python语言规范和tokenizer的重要性，以及内存管理机制，如引用计数和垃圾回收。

       通过本文，你将逐步揭开Cpython的神秘面纱，成为Python编程的高手。继续深入学习，提升你的Python技能。

       最后：结论

       第一部分概述了源代码、编译和Python规范，后续章节将逐步深入，让你在实践中掌握Cpython的核心原理。

       更多Python技术，持续关注我们的公众号：python学习开发。

BoltDB源码解析（一）使用简介

       BoltDB是一个纯Go语言实现的key value存储，提供库形式而非独立server进程。它是一个简单的存储系统，不支持SQL，但用户可以通过Bolt的API对key value进行增删查改。

       使用BoltDB只需一个文件作为DB的持久化文件。与一般数据库不同，Bolt没有单独的日志文件，也不像LevelDB那样需要创建多个文件并执行Compaction。Bolt以mmap内存映射的方式打开DB文件，增删查改操作直接在内存中进行，操作系统负责磁盘和内存之间的数据传输。

       Bolt支持Bucket概念，可以理解为namespace，用于分类组织不同类别的数据。用户可以创建多个Bucket来组织数据，例如在电商网站中，可以将users、orders、items数据分别放入不同的Bucket。

       以下是一个示例程序，展示了BoltDB的常规操作：

       bolt.Open用于传入要使用的DB文件参数，并返回一个db实例。db.Close用于关闭数据库。

       db.Update的入参是一个function，这是Bolt支持transaction的方式。db.View的入参也是一个function，但transaction只能是只读的。

       CreateBucketIfNotExists根据名称打开或创建Bucket。

       bucket.Put(key, value)将一对key value写入Bucket，若key已存在，则用新value替换旧value。

       val := bucket.Get(key)返回key对应的value，若key不存在，则返回nil。

       Bolt还支持Cursor概念，用于按照key顺序遍历DB。Cursor支持prefix scan和range scan，具体介绍可参考Bolt的README。

       可能有同学疑惑，Bolt似乎只能存储string类型数据，如何存储结构化数据？实际上，Bolt不关心value的结构，将其视为字节序列。我们可以将结构化数据序列化为字节序列存储在Bolt中，使用时再反序列化为结构。Go语言中的序列化反序列化方法（如JSON、Gob、Protobuffers等）均可用于此。

       Bolt的基本使用介绍到此，接下来将进行源码解析。

mimikatz源码分析-lsadump模块（注册表）

       mimikatz是一款内网渗透中的强大工具，本文将深入分析其lsadump模块中的sam部分，探索如何从注册表获取用户哈希。

       首先，简要了解一下Windows注册表hive文件的结构。hive文件结构类似于PE文件，包括文件头和多个节区，每个节区又有节区头和巢室。其中，巢箱由HBASE_BLOCK表示，巢室由BIN和CELL表示，整体结构被称为“储巢”。通过分析hive文件的结构图，可以更直观地理解其内部组织。

       在解析过程中，需要关注的关键部分包括块的签名（regf）和节区的签名（hbin）。这些签名对于定位和解析注册表中的数据至关重要。

       接下来，深入解析mimikatz的解析流程。在具备sam文件和system文件的情况下，主要分为以下步骤：获取注册表system的句柄、读取计算机名和解密密钥、获取注册表sam的句柄以及读取用户名和用户哈希。若无sam文件和system文件，mimikatz将直接通过官方API读取本地机器的注册表。

       在mimikatz中，会定义几个关键结构体，包括用于标识操作的注册表对象和内容的结构体（PKULL_M_REGISTRY_HANDLE）以及注册表文件句柄结构体（HKULL_M_REGISTRY_HANDLE）。这些结构体包含了文件映射句柄、映射到调用进程地址空间的位置、巢箱的起始位置以及用于查找子键和子键值的键巢室。

       在获取注册表“句柄”后，接下来的任务是获取计算机名和解密密钥。密钥位于HKLM\SYSTEM\ControlSet\Current\Control\LSA，通过查找键值，将其转换为四个字节的密钥数据。利用这个密钥数据，mimikatz能够解析出最终的密钥。

       对于sam文件和system文件的操作，主要涉及文件映射到内存的过程，通过Windows API（CreateFileMapping和MapViewOfFile）实现。这些API使得mimikatz能够在不占用大量系统资源的情况下，方便地处理大文件。

       在获取了注册表系统和sam的句柄后，mimikatz会进一步解析注册表以获取计算机名和密钥。对于密钥的获取，mimikatz通过遍历注册表项，定位到特定的键值，并通过转换宽字符为字节序列，最终组装出密钥数据。

       接着，解析过程继续进行，获取用户名和用户哈希。在解析sam键时，mimikatz首先会获取SID，然后遍历HKLM\SAM\Domains\Account\Users，解析获取用户名及其对应的哈希。解析流程涉及多个步骤，包括定位samKey、获取用户名和用户哈希，以及使用samKey解密哈希数据。

       对于samKey的获取，mimikatz需要解密加密的数据，使用syskey作为解密密钥。解密过程根据加密算法（rc4或aes）有所不同，但在最终阶段，mimikatz会调用系统函数对数据进行解密，从而获取用户哈希。

       在完成用户哈希的解析后，mimikatz还提供了一个额外的功能：获取SupplementalCreds。这个功能可以解析并解密获取对应用户的SupplementalCredentials属性，包括明文密码及哈希值，为用户提供更全面的哈希信息。

       综上所述，mimikatz通过解析注册表，实现了从系统中获取用户哈希的高效功能，为内网渗透提供了强大的工具支持。通过深入理解其解析流程和关键结构体的定义，可以更好地掌握如何利用mimikatz进行深入的安全分析和取证工作。