墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.4k累计阅读
1.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
本文深入剖析了嵌入式系统中的Keystore、Keystore2、Keymaster和Keymint，详细解释了它们在密钥管理与安全性上的作用。Keystore和Keystore2提供安全的密钥存储，Keymaster是硬件级别的安全模块，而Keymint则是Android P引入的安全插件，简化了API接口。通过理解并运用这些组件，可以提高嵌入式系统的安全性。
Keystore/Keystore2/Keymaster/Keymint 深入剖析 嵌入式
在嵌入式系统开发中，安全性是至关重要的。Keystore、Keystore2、Keymaster和Keymint 是一系列用于保护和管理密钥及其相关操作的关键组件。本文将深入学习这些组件，并提供相应的源代码示例。
一、Keystore
Keystore 是 Android 上用于存储密钥和证书的安全容器。它采用了一种安全的密钥管理方案，可确保密钥的安全性和不可篡改性。Keystore 支持对称密钥、非对称密钥以及证书的生成、导入和使用。
源代码示例：
KeyStore keyStore = KeyStore.getInstance("AndroidKeyStore");
keyStore.Android安全支付（1）-整体架构-keymint
（1）接口定义hardware/interfaces/security/keymint/aidl/android/hardware/security/keymint/IKeyMintDevice.aidl。keymint是keymaster v4之后的替代设计。所以android 15上最好采用keymint的接口进行硬件功能的对接。同时，我们会集成一款紫光的芯片。3.可以用keyStore.getKey(）来获取存储在keyStore中的数据进行加密和解密。四、关于keymint的接口定义和具体实现。
Android Strongbox（ Android Ready SE）
Android ready SE(strongbox)
深入学习嵌入式: Keystore、Keystore2、Keymaster和Keymint
本文将深入探讨嵌入式系统中的关键技术之一，即Keystore、Keystore2、Keymaster和Keymint。我们将介绍这些概念的背景和功能，并提供一些相应的源代码示例。通过深入学习Keystore、Keystore2、Keymaster和Keymint，我们可以更好地理解嵌入式系统中的密钥管理和安全性。这些组件为开发人员提供了强大的工具和功能，以确保在嵌入式环境中的数据安全和加密操作的可靠性。深入学习嵌入式: Keystore、Keystore2、Keymaster和Keymint。
keystore/keystore2/keymaster/keymint 深入学习
Keymaster的发展历程 keymaster0.2/0.3 非常简单的密码学服务，提供数字签名和验证操作 keymaster1.0 增加对称加密单元(AES和HMAC) keymaster3.0 从旧式 C 结构硬件抽象层 (HAL) 转换到根据新硬件接口定义语言 (HIDL), 支持 ID (IMEI/MEID)认证 keymaster4.0 支持嵌入式安全元件、支持密钥导入、支持3DES、版本绑定(boot.img,system.img) 2、软件架构 在android11及其之前的版本中
Keystore2代码导读与深入解析
密钥的生成和导入过程中，Keystore2会使用HSM来保护私钥的机密性。Keystore2的引擎实现文件定义了Keystore2的核心逻辑。Keystore2的头文件定义了各种数据结构、函数和常量，用于实现Keystore2的核心功能。通过对Keystore2的代码导读与深入解析，我们可以更好地理解其工作原理和核心功能，并能够在嵌入式系统中更安全地管理密钥和证书。函数导入指定别名的密钥。需要注意的是，在实际应用中，我们还需要处理密钥和证书的管理、存储以及相关安全性的考虑，以确保数据的保密性和完整性。
【置顶】Android15安全架构精选-[目录]
讲述android13最新安全架构，包括但不限于:Gatekeeper(locksetting)、生物认证(指纹fingerprint、人脸faceid)、keystore/keystore2/keymaster/keymint、googlekey(attesstation key).....
Keystore/Keymaster代码导读系列-进行中（嵌入式）
KeystoreImpl.java中的方法实现了Keystore API中定义的各种操作，如生成密钥对、导入密钥、加密和解密等。客户端应用程序通过Keystore API与Keystore进行交互，Keystore将请求转发给Keymaster进行处理。Keystore API：Keystore API是应用程序与Keystore进行交互的接口。Keystore将请求转发给Keymaster。Keystore：Keystore是Android系统中的一个安全容器，用于存储和管理应用程序的加密密钥和证书。
keystore2代码导读笔记
setWrappedKeyEntry – AndroidKeyStoreSpi.javaIKeystoreSecurityLevel.aidlimport_key – system/security/keystore2/src/security_level.rskm_dev.importKey(¶ms, format, key_data, None /* attestKey */) — 调用到Vendor HAL---->TA
Android Keymint Remote Provisioning HAL
设计 HAL 以支持非对称密钥证书的无线配置。HAL 必须与 Keystore（和其他服务）有效交互并保护设备隐私和安全。请注意，此 API 最初是为 KeyMint 设计的，目的是使其可用于需要证书配置的其他 HAL。在本文档中，我们将引用 Keystore 和 KeyMint（以前称为 Keymaster）组件，但这只是为了具体和方便；这些标签可以分别替换为需要提供证书的任何系统和安全区域组件的名称。
《Android KeymasterKeymint精讲》
课程大纲： Keystore/Keystore2/keymaster/keymint的概念 keymaster/keymint的版本演进 keymint接口示例 Keystore/keymaster/keymint/Strongbox 软件框架 Keystore软件框架 Keystore算法使用示例 要求进行用户身份验证才能使用密钥 Keystore-strongbox 算法使用示例 AuthToken的使用示例 A/B System AVB 2.0 AVB需求和设计 RootOfTrust 定义 Root of trust binding ROT的介绍 版本绑定 Trusty CA和TA通信的定义 Trusty CA和TA的代码 Keymaster和keymint HAL接口定义 Android attestation Key Android RKP Keystore异常示例 strongbox........
Windows 10 下 DockerToolbox 安装全攻略：从下载到配置阿里云镜像加速
本文详细介绍了在Windows 10系统上安装和配置DockerToolbox的完整流程。从下载安装包、执行初步安装，到关键步骤——修改虚拟机存储路径以及配置阿里云镜像加速器，旨在帮助开发者，尤其是初次接触Docker的新手，快速搭建高效的本地容器开发环境，并解决国内镜像下载缓慢的痛点。
Windows 10/11下Drive Composer Pro 2.9.0完整安装与连接ACS880变频器实战教程
本文详细介绍了在Windows 10/11系统上安装Drive Composer Pro 2.9.0并连接ACS880变频器的完整教程。从系统环境准备、软件安装到许可证配置，再到USB、蓝牙和以太网三种连接方式的实战操作，帮助工业自动化工程师快速掌握ABB变频器的调试技巧。
＜视觉＞——单目相机的标定（简单原理+Opencv实现）
单目相机的标定原理大致如下： 世界坐标到像素坐标的转换。 期间的参数有S尺度因子，内参矩阵K，旋转矩阵R，平移矩阵T，一共八个未知数。 在Opencv中我们可以方便的根据相机拍摄不同位姿的标定板图片来标定相机，从而求得这些参数，从而可以将相机下的坐标和实际的世界坐标联系起来，求取单应性矩阵H 参考： 单目相机综述：写的特别好 https://www.cnblo...
从零到一：AnythingLLM与Ollama的本地知识库搭建实战
本文详细介绍了如何使用AnythingLLM与Ollama从零开始搭建本地知识库，涵盖技术选型、环境部署、系统配置及优化策略。通过RAG技术架构，实现安全高效的文档管理与智能问答，特别适合企业及个人构建私有化知识管理系统。
STM32F103ZE精英板驱动ESP8266与DHT11构建物联网网关，实现乐联网温湿度数据实时监控
本文详细介绍了如何使用STM32F103ZE精英板驱动ESP8266与DHT11构建物联网网关，实现乐联网温湿度数据实时监控。从硬件选型、连接调试到乐联网平台配置和STM32程序开发，提供了完整的实现步骤和常见问题解决方案，适合物联网入门开发者参考。
Joern实战：从代码导入到Python分析的全流程避坑指南（附常见错误解决方案）
本文详细介绍了Joern静态分析工具从代码导入到Python分析的全流程实践指南，包括环境配置、代码导入技巧、数据库服务优化、Python交互分析及性能调优等关键步骤。特别针对常见错误提供了实用解决方案，帮助开发者高效进行代码安全分析和漏洞挖掘。
北斗导航 | ChatGPT之RTK、RTD、ARAIM算法原理及程序代码（ChatGPT看你怎么回答，附部分代码）
ChatGPT之RTK、RTD、ARAIM算法原理及程序代码
2025年软件测试职业院校技能大赛—ERP管理平台-基础信息管理商品管理测试用例
竞赛对接软件测试相关标准，以“ERP管理平台” 为被测系统，围绕软件测试领域的主流技术及工具，考查选手面 对实际问题的综合分析能力，对测试文档、测试用例的设计能力， 对单元测试、自动化测试、性能测试、接口测试等测试工具及方 法的掌握程度，检验选手团队协作能力、组织规划能力、方法运用能力等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1770
扫一扫
