1.源代码审计工具之：SonarQube
2.Hikari源码分析 - AntiDebug
3.LuaJIT源码分析（一）搭建调试环境
4.四款源代码扫描工具
5.Docker 源码分析
6.代码分析神器：understand、源码bouml
源代码审计工具之：SonarQube
SonarQube是平台一个开源的代码分析平台，用于持续分析和评估项目源代码的分析质量。它能检测出项目中的源码重复代码、潜在bug、平台代码规范和安全性漏洞等问题，分析c 项目界面 源码并通过web UI展示结果。源码
1. Sonar简介
1.1 SonarQube是平台什么？
1. 代码质量和安全扫描和分析平台。
2. 多维度分析代码：代码量、分析安全隐患、源码编写规范隐患、平台重复度、分析复杂度、源码代码增量、平台测试覆盖率等。分析
3. 支持+编程语言的代码扫描和分析，包括Java、Python、C#、JavaScript、Go、C++等。
4. 涵盖了编程语言的静态扫描规则：代码编写规范和安全规范。
5. 能够与代码编辑器、CI/CD平台完美集成。
6. 能够与SCM集成，可以直接在平台上看到代码问题是由哪位开发人员提交。
7. 帮助程序猿写出更干净、更安全的代码。
静态扫描主要针对开发人员编写的源代码。
通过定义好的代码质量和安全规则，对开发人员编写的代码进行扫描和分析。
将分析的结果多维护的呈现出来，以方便开发人员进行代码的优化和规范编写。
1.2 SonarQube的各个功能：
1.2.1 代码可靠性
1. BUG检测
2. 设置需要的代码标准
3. 代码异味
4. 代码安全性
5. 对于开发的各个路径进行检测
1.2.2 软件安全性
1. Security Hotspots: 代码存在安全问题的部分
2. Vulnerabilities: 代码是否存在漏洞
1.3 SonarQube如何工作？
Sonar静态代码扫描由两部分组成：SonarQube平台和sonar-scanner扫描器。
SonarQube: web界面管理平台。
1）展示所有的项目代码的质量数据。
2）配置质量规则、管理项目、配置通知、配置SCM等。
SonarScanner: 代码扫描工具。在线.查看 网页源码
专门用来扫描和分析项目代码。支持+语言。
代码扫描和分析完成之后，会将扫描结果存储到数据库当中，在SonarQube平台可以看到扫描数据。
SonarQube和sonarScanner之间的关系：
2 检测
Sonar是一个用于代码质量管理的开源平台，用于管理源代码的质量，可以从七个维度检测代码质量。通过插件形式，可以支持包括Java、C#、C/C++、PL/SQL、Cobol、JavaScript、Groovy等等二十几种编程语言的代码质量管理与检测。
2.1 Rules提示
2.1.1 Rule界面
2.1.2 Rule正确实例提示
2.2 糟糕的复杂度分布
文件、类、方法等，如果复杂度过高将难以改变，这会使得开发人员难以理解它们，且如果没有自动化的单元测试，对于程序中的任何组件的改变都将可能导致需要全面的回归测试。
2.3 重复
显然程序中包含大量复制粘贴的代码是质量低下的，Sonar可以展示源码中重复严重的地方。
2.4 缺乏单元测试
Sonar可以很方便地统计并展示单元测试覆盖率。
2.5 没有代码标准
Sonar可以通过PMD、CheckStyle、Findbugs等等代码规则检测工具规范代码编写。
2.6 没有足够的或者过多的注释
没有注释将使代码可读性变差，特别是当不可避免地出现人员变动时，程序的可读性将大幅下降，而过多的注释又会使得开发人员将精力过多地花费在阅读注释上，亦违背初衷。
2.7 潜在的bug
Sonar可以通过PMD、CheckStyle、Findbugs等等代码规则检测工具检测出潜在的bug。
2.8 糟糕的设计（原文Spaghetti Design，意大利面式设计）
通过Sonar可以找出循环，展示包与包、类与类之间的源码接入公众号相互依赖关系，可以检测自定义的架构规则；通过Sonar可以管理第三方的jar包，可以利用LCOM4检测单个任务规则的应用情况，检测耦合。
3. Sonar组成
4. Sonar集成过程
开发人员在他们的IDE中使用SonarLint运行分析本地代码。
开发人员将他们的代码提交到代码管理平台中（SVN、GIT等），
持续集成工具自动触发构建，调用SonarScanner对项目代码进行扫描分析，
分析报告发送到SonarQube Server中进行加工，
SonarQube Server加工并且保存分析报告到SonarQube Database中，通过UI显示分析报告。
Hikari源码分析 - AntiDebug
一、框架分析 针对PASS的具体实现进行深入分析。该PASS旨在提升编译后程序的抵抗调试能力，其核心逻辑包括两个主要方面： 链接预编译的反调试IR代码 特定于平台的内联汇编注入 针对Darwin操作系统上的AArch架构，若未找到ADBCallBack和InitADB函数，PASS会尝试直接注入内联汇编代码。该代码片段可能利用系统调用，如ptrace，来检测是否处于调试环境。 此外，配置允许用户指定预编译反调试IR文件的路径和函数混淆概率。 具体实现包括： 检查预编译IR路径，构建默认路径并链接预编译的IR文件。 修改ADBCallBack和InitADB函数属性，确保它们在编译和链接阶段表现出反调试行为。 初始化标志和目标三元组信息，准备为每个模块提供初始化和链接预编译IR的过程。 模块处理和函数处理涉及应用概率值来决定是否对模块和函数应用反调试混淆。 预编译的反调试IR文件包含了一系列用于反调试的函数和结构，如检测调试器的代码、修改执行路径以规避调试跟踪、以及插桩代码以检测异常行为。 通过LLVM工具链中的llvm-dis工具，可以将.bc文件转换为可读的LLVM IR文件。该文件结构包含多个结构体定义、全局声明、函数实现和属性。 函数ADBCallBack简单地终止程序并执行无法到达的指令。函数InitADB执行系统调用和检查来检测调试状态，可能涉及进程信息查询、源码含有非法链接动态库加载、系统调用、内存分配、异常端口检查等操作。 系统调用声明确保了程序能调用各种底层函数进行操作，如sysctl、dlopen、dlsym、task_get_exception_ports、isatty、ioctl等。 总结，通过在编译器优化阶段插入反调试逻辑，相较于源代码实现，基于LLVM Pass的AntiDebug方法提供了更好的隐蔽性、可移植性、灵活性、维护性和混淆程度。然而，这种方法需要对LLVM框架有深入理解，可能增加构建和调试复杂度。LuaJIT源码分析（一）搭建调试环境
LuaJIT，这个以高效著称的lua即时编译器（JIT），因其源码资料稀缺，促使我们不得不自建环境进行深入学习。分析源码的第一步，就是搭建一个可用于调试的环境，但即使是这个初始步骤，能找到的指导也相当有限，反映出LuaJIT的编译过程复杂性。
首先，从官方git仓库开始，通过命令`git clone 可了解更多信息。在源码分析过程中，运用understand和bouml可大幅提升效率与准确性。
AUTOGEN | 上手与源码分析
AUTOGEN是一个开源平台，主要功能是创建和管理自动化对话代理(agent)。这些代理能执行多种任务，包括回答问题、执行函数，甚至与其它代理进行交互。博客源码 java本文将介绍AUTOGEN中的关键组件，即Conversation Agent，并简单分析其多代理功能的源码实现。
根据官网文档和参考代码，AUTOGEN利用OpenAI提供的服务来访问语言模型(Logic Unit)。任何部署了OpenAI兼容API的语言模型都可以无缝集成到AUTOGEN中。利用OpenAI的Tool功能，AUTOGEN能够调用函数，而不是使用自定义提示来引导逻辑模型选择工具。在请求体中提供候选函数信息，OpenAI API将从中选择最有可能满足用户需求的函数。每个agent都可使用send和receive方法与其他agent进行通信。
在Autogen中，每个agent由Abilities & Prior Knowledge、Action & Stimuli、Goals/Preference、Past Experience等部分组成。语言模型(逻辑单元)通过调用OpenAI服务来实现，利用OpenAI提供的Tool功能调用函数。每个agent都维护自己的历史记录，以List[Message]的形式保存，包含对话信息和执行函数的结果等。
Conversable Agent是Autogen的基本智能体类型，其他如AssistantAgent或UserProxyAgent都是基于此实现。在初始化时，通过配置列表来初始化OpenAI对象。generate_reply是核心功能，根据接收到的消息和配置，通过注册的处理函数和回复生成函数产生回复。此过程包括消息预处理、历史消息整理和回复生成。通过定制化钩子处理特定逻辑，考虑到调用工具、对话、参考历史经验等功能，generate_reply的大致运行流程如下：首先处理最后接收的消息，然后整理所有消息进行回复生成。
Autogen将多种不同功能的agent整合到Conversable Agent中。generate_reply时，会根据消息判断是否需要终止对话或人工介入。回复逻辑包括关联或不关联函数的情况。通过代码执行器，代理安全执行GPT生成的代码，AutoGPT自带了Docker、Jupyter和本地三种代码执行器。多Agent对话通过initiate_chat函数启动，使用send和receive函数确保信息正确传递。这种设计允许灵活组合多个ConversableAgent，实现自定义的Agent系统。
Autogen还提供GroupChat功能，允许多个Agent进行自由讨论或固定流程的工作流。开源社区的autogen.agentchat.contrib部分提供了许多自动化对话系统的贡献。此外，官方notebook中讨论了Agent优化器，允许自定义输出，将对话信息输出到前端UI界面。
总之，Autogen作为Agent搭建工具，提供了基础功能，允许创建和管理自动化对话代理。其设计将执行工具与逻辑模型整合，简化了多代理对话和多功能任务的实现。通过源码分析，可以看到其灵活的架构和丰富的功能实现，为开发者提供了构建复杂对话系统的基础。
超详细！spdlog源码解析（下）
回顾spdlog的组成，包含logger、sink、formatter以及registry四个关键部分。在前两篇中，我们深入探讨了logger、sink和formatter的基本功能与使用方法。这三者协同工作，能够实现日志的记录功能。然而，registry作为管理器角色，主要负责协调和配置这些组件，确保日志系统的一致性和高效性。尽管registry并非必须依赖的组件，它的存在能够提供更加便捷的管理方式，例如统一设置日志等级、创建具有默认配置的logger等。
在默认logger和默认sink的实现中，registry扮演着关键角色。当使用spdlog::info方法时，实际上调用了registry中的default_logger_成员变量，获取默认logger的指针。通过静态方法registry::instance()获取registry对象，最终registry::registry()方法创建默认logger，并选择ansicolor_stdout_sink_mt作为sink，实现控制台彩色输出。这种设计使得用户无需深入了解内部细节，即可直接使用默认配置进行日志输出，简化了用户上手过程。
registry的功能不仅限于管理默认logger，它还提供了创建logger的便利接口。通过一系列预设的logger创建函数，spdlog实现了与不同sink的无缝集成，隐藏了sink的概念，使得用户仅需关注日志输出的目的地，而无需深入理解底层实现。例如，stdout_logger创建函数通过调用Factory::create方法，自动将创建的logger注册到registry中，实现日志输出格式的统一化和全局管理。对于异步环境，async_factory::create方法同样完成了类似功能，但需额外处理线程池的创建。
通过反思registry的实现，我们可以发现，其核心功能在于管理logger，而这一过程包含了将logger注册到registry中的关键步骤。通过提供Factory（如synchronous_factory或async_factory）的create方法，spdlog确保在创建logger后将其自动注册，这一设计与设计模式中的工厂方法原理相契合。实现这一目标的关键在于注册操作，而非创建logger本身，这突显了registry在spdlog系统中的核心作用。
在介绍spdlog的宏定义使用时，我们探讨了其支持的两种编译版本：header-only version和compiled version。header-only version通过将声明与实现分开，提供了轻量级的集成方式。要实现compiled version，只需复制header-only version的代码，并按照特定规则组织文件结构。在async.cpp文件中，通过SPDLOG_COMPILED_LIB宏定义判断编译方式，相应地include声明与实现文件，实现代码的高效复用。同时，SPDLOG_HEADER_ONLY宏定义控制了代码的包含行为，确保了不同编译方式下的代码正确性。
在多平台支持方面，spdlog通过os.h和os-inl.h文件封装了针对不同平台差异的处理逻辑，使得上层业务无需关注底层实现的细节。通过宏定义和条件编译，spdlog能够提供一致的接口，适应不同操作系统和环境的需求，确保跨平台兼容性和稳定性。
至此，spdlog源码解析系列告一段落。通过深入分析spdlog的架构设计、功能实现以及跨平台支持，我们不仅了解了如何高效地使用spdlog进行日志管理，还洞悉了其设计背后的巧妙逻辑和实践细节。希望本系列解析能够为开发者提供宝贵的参考，助力构建更加稳定、高效和易于维护的日志系统。
FindBugs源码分析工具使用指南
FindBugs是一款提供Java源码静态分析的开源工具，它在程序未运行的情况下，通过分析jar包或classes文件，帮助开发者发现潜在的bug。FindBugs具备GUI、命令行、ant、插件等多种运行模式，本文以命令行和Ant方式为例，介绍其基本使用方法。
在命令行模式下，首先生成HTML报告样例，随后，可以通过Ant方式运行，前提是在项目中创建build.xml文件。执行ant findbugs命令后，开始执行分析过程，对于大型项目，此过程可能耗时较长，通常需十几分钟。若无异常输出，耐心等待直至生成报告。
FindBugs将bug分为几大类，并提供详细的bug描述，访问findbugs.sourceforge.net...即可查看。通过HTML报告，用户可以在“List bugs by bug category”页签下按类别查看bug，展开任一bug，可了解其类别、所属类及其属性或方法、代码文件名与行数。对于不清楚bug原因的情况，可查阅描述页面获取详细解释。
对于项目中包含多个jar包的情况，本文推荐使用rejarForAnalysis脚本。该脚本位于FindBugs工具的bin目录下，Linux环境下运行需赋予可执行权限。rejarForAnalysis脚本用于整合多个jar包，形成一个大型的analyze.jar包。结合shell命令，可自动在当前目录及子目录下查找所有jar包，并生成整合包，随后，分析过程与常规FindBugs执行方式相同。
通过本文介绍，用户应能熟练掌握FindBugs的基本使用方法，并解决项目中遇到的常见问题。参考文献提供进一步学习资源。
HTTP服务器的本质:tinyhttpd源码分析及拓展
本文深入探讨了HTTP服务器的本质，以tinyhttpd源码分析为基础，揭示了其轻量级特性与核心机制。
在HTTP协议框架内，每条请求由三部分组成：起始行、消息报头、请求正文。起始行以请求方法、URI和协议版本作为标识，遵循特定格式。
常见的请求方法包括GET和POST。GET方法常用于获取资源，POST方法用于提交数据。
接下来，我们对tinyhttpd源码进行深度解析。该服务器主要包含几个核心函数：main、startup、accept_request、execute_cgi。分析流程主要遵循main到startup，再到accept_request，最后执行CGI脚本的路径。
为了方便读者理解，提供了注释版源码，并已上传至GitHub，以供参考。尽管tinyhttpd原为Solaris平台设计，部分Linux平台上的实现细节可能需调整。我们提供了修改版tinyhttpd-0.1.0_for_linux，可直接编译使用。
实际运行流程如下：编译后执行httpd命令，通过浏览器访问服务器。默认CGI脚本为Perl文件，位于htdocs目录下。
为了进一步探索CGI程序的运行机制，本文使用Python实现CGI脚本。首先在htdocs目录下创建register.html页面，用于接收用户输入。接着，编写register.cgi脚本，通过读取标准输入的数据并输出，直观展示CGI流程。
通过运行示例，我们可以清晰地观察到tinyhttpd与CGI脚本的交互过程，加深对HTTP服务器与CGI原理的理解。本文旨在提供一个深入浅出的分析框架，助你更全面地掌握HTTP服务器的核心知识。
