关于延迟签名实现的技术

分布式电子签名技术QoeSiGN解析与应用 电子签名作为数字身份认证与交易安全的核心技术,其安全等级由简单电子签名(SES)到具备法律效力的合格电子签名(QES)逐级提升。传统QES依赖集中式信任服务提供商,存在单点故障风险。分布式电子签名技术通过安全多方计算(MPC)和门限密码学实现密钥分片存储与协同计算,在保障隐私的同时提升系统可用性。QoeSiGN创新性地引入隐私保护协同计算(P2C2)技术,支持抗量子算法无缝切换,适用于金融、政务等高安全需求场景。该技术通过多方硬件安全模块(MP-HSM)和用户参与机制设计,既满足eIDAS法规对QES的合规 阅读详情

1.从将执行最终签名的单位获取密钥的公钥部分。通常为.snk文件的形式,使用SDK即可创建

例如: sn -k keyFile.snk

 

2.使用System.Reflection中批准程序集的源代码:

assemblyKeyFileAttribute

将公钥的文件作为参数传递至其构造函数

assembleDelaysignAttribute

通过True作为参数传递至其构造函数

 

3.将编译器的公钥插入程序集的清单。并在PE文件中为完整的强名称保留空间。真正的公钥必须在生成程序集是存储,以便引用此程序及的其他程序集可以获取密钥以存储在它们自己的程序集引用中。

 

4.由于程序集没有有效的强名称的签名,所以必须关闭该签名的验证。

例如:关闭程序集的验证

sn -vr  XXXX.dll

 

5.最后,在即将交付前,将程序集提前交给组织签名的机构。以便于强名称工具一起使用来实际进行强名称签名

例如:

sn - p XXXX.dll XXX.snk

 

 

 

Android 手游直装破解检测:3种进程外签名校验方案与实战代码 本文深入探讨了Android手游直装破解检测的三种进程外签名校验方案(Binder、Socket、文件),详细分析其实现原理、性能对比及实战代码。通过隔离检测环境和高可靠性Java进程模块,有效提升反外挂能力,为手游安全防护提供专业解决方案。 阅读详情

相关推荐

80、顺序聚合签名与延迟验证技术解析

本文深入解析了顺序聚合签名与延迟验证技术,基于陷门置换和随机预言机模型,提出一种在签名者数量较多时具备显著优势的签名方案。通过归约分析证明其安全性,并利用输入依赖的伪随机函数缩短签名长度。方案在实现上结合RSA、SHA-256和HMAC-SHA-256,实现了较短签名长度与快速验证的平衡。与RSA、ECDSA和BGLS等方案对比表明,该方案在n > 6时表现更优,适用于区块链、物联网和金融安全等对效率和安全性要求较高的场景。

vvv99的博客 78

未能加载文件或程序集“Microsoft.mshtml”或它的某一个依赖项。未能验证强名称签名。此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名。 (异常来自 HRESULT:0

此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名

qyr20的专栏 1141

.NET强签名去除工具

史上最强的强签名去除工具,不仅可以去除本身的强签名,对引用的强签名程序集也可以去除强签名限制,独一无二的破解神器!

未能加载文件或程序集“XXXXX”或它的某一个依赖项。未能验证强名称签名。此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名。 (异常来自 HRESULT:0x80131045)...

解决方案如下: 方案一:删除掉此DLL引用,与BIN目录下的DLL。添加最新的DLL文件,重新添加一次。 方案二:删除掉此DLL引用,与BIN目录下的引用。再清理解决方案。再添加一次。 方案三:此DLL编译有错误。从新编译出此DLL,再重新引用 方案四:尼玛,这TMD的DLL是收费的,你没付费没破解,你引用个球啊! 转载于:https://www.cnblogs.com/Jac...

denglun106274的博客 4142

C#通过Aforge调用电脑摄像头(附代码)

C#标准库本身不带有能调用电脑摄像头的库,如果利用windows自身的API来实现的话,着实有些麻烦。Aforge这个第三方库能很好的实现调用、处理的功能。 PS:文末给大家分享了完整的项目源码,各位最好先下载下来,对照着来看 1、先看一下效果 2、Aforge介绍 AForge.NET是一个专门为开发者和研究者基于C#框架设计的,这个框架提供了不同的类库和关于类库的资源,还有很多应用程序例子,包括计算机视觉与人工智能,图像处理,神经网络,遗传算法,机器学习,机器人等领域。 3、我使用的开发环境 操作系统

weixin_44996090的博客 1万+

k8s 查看cpu使用率最高的pod

在 Kubernetes 中,可以使用命令查看 Pod 的资源使用情况,从而找到 CPU 使用率最高的 Pod。

u010674101的专栏 3347

未能加载文件或程序集“XXXXX”或它的某一个依赖项。未能验证强名称签名。此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名。 (异常来自 HRESULT:0x80131045)

未能加载文件或程序集“XXXXX”或它的某一个依赖项。未能验证强名称签名。此程序集可能已被篡改,或者已被延迟签名,但没有用正确的私钥进行完全签名。 (异常来自 HRESULT:0x80131045)

jcoiwenwfkowe的博客 3206

Win11任务栏图标消失?快速恢复指南

任务栏图标消失是Windows 11操作系统中常见的问题之一,但通过上述方法,用户通常可以轻松解决这一问题。无论是重启Windows资源管理器、使用命令提示符修复、检查系统更新和设置,还是考虑重装系统,都可以帮助用户恢复任务栏图标的正常显示。希望本文的介绍能对用户有所帮助,让Windows 11的使用更加顺畅和愉快。

mmoo_python的博客 5414

mvc4源码调试“未能加载文件或程序集“System.Web.Mvc”或它的某一个依赖项。未能验证强名称签名。解决办法

环境vs2015+win7x64+.net 4.5 system.web.mvc中版本改成4.0.0.1 个人测试mvc项目中根目录web.config改                                                     views/web.config中改

waydesmith的博客 1万+

FreeRTOS的学习(十四)——PendSV异常

本文将从任务切换的角度出发,学习PendSV异常的相关概念。

LEOD的博客 1731

Zemax热分析实战:多重结构编辑器与操作数优化技巧

本文详细介绍了在Zemax中进行热分析的全流程,重点讲解了如何利用多重结构编辑器模拟不同温度环境,并通过TENP、CRVT、THIC等关键操作数建立热膨胀模型。文章结合双胶合透镜实例,阐述了如何设置热跟随、构建多温度评价函数,并运用锤型优化提升光学系统在全温度范围内的热稳定性与成像质量。

yog99的博客 577

关于共享程序集延迟签名的技术实现的具体过程

共享程序集的延迟签名的实现1.首先必须用强名称工具sn创建一个公钥/私钥对,生成的文件keyfile.snk应该包含公钥/私钥对  sn-k keyfile.snk2.提取公钥,使之用于开发人员  sn -p keyfile.snk public.snk  开发人员使用此公钥用于开发3.关闭签名验证功能,因为程序集没有包含签名功能。  sn -Vr math.dll

打滚dě土豆 专栏 537

PINN——加入物理约束的神经网络

【摘要】 基于物理信息的神经网络(Physics-informed Neural Network, 简称PINN),是一类用于解决有监督学习任务的神经网络,它不仅能够像传统神经网络一样学习到训练数据样本的分布规律,而且能够学习到数学方程描述的物理定律。与纯数据驱动的神经网络学习相比,PINN在训练过程中施加了物理信息约束,因而能用更少的数据样本学习到更具泛化能力的模型。本文主要解析这种神经网络以...

qq_39444290的博客 4588

延迟签名

本章前面讲过如何使用SN.exe工具来生成公钥/私钥对。这个工具在生成密钥时,会调用Windows提供的Crypto API。密钥可存储到文件或者其他存储设备中。例如,大企业(比如Microsoft)会将自己的私钥保存到一个硬件设备中,再将这个硬件设备锁到一个保险库中。公司里只有少数几个人才能访问到私钥。这个措施可以防止私钥泄露,并保证了密钥的完整性。当然,公钥是完全公开的,可以自由分发。

river1121的专栏 850

泛微Ecology9单点登录实战指南:从Token获取到页面跳转

本文提供了一份详尽的泛微Ecology9单点登录实战指南,重点解析了Token跳转式SSO的核心流程。内容涵盖从理解关键参数(如appid、loginid)与一次性Token机制,到通过代码示例演示如何正确调用接口获取Token,并详细说明了拼接不同场景跳转地址的完整规则与安全实践,旨在帮助开发者高效、稳定地实现业务系统与OA门户的无缝集成。

ol789012345的博客 1076

使用YubiKey进行全盘加密、加密启动分区以及利用UEFI安全启动的详细指南

在本教程中,我们将使用YubiKey来增强电脑的安全性,通过加密整个硬盘,确保只有持有正确YubiKey的人才能访问。UEFI安全启动是一种在UEFI固件级别实施的安全标准,确保计算机仅启动签名的启动加载程序。为了符合您的要求,我将以此方式分配内容,确保每部分都有详尽的说明和代码。现在,您已经成功地使用YubiKey设置了全盘加密,并使用UEFI安全启动为系统增加了额外的安全层。注意:为了简洁和清晰,本文中的代码可能不是最优的或最完整的实现。注意:为了简洁和清晰,本文中的代码可能不是最优的或最完整的实现。

qq_38334677的博客 1006

[转] 延迟签名

本章前面讲过如何使用SN.exe工具来生成公钥/私钥对。这个工具在生成密钥时,会调用Windows提供的Crypto API。密钥可存储到文件或者其他存储设备中。例如,大企业(比如Microsoft)会将自己的私钥保存到一个硬件设备中,再将这个硬件设备锁到一个保险库中。公司里只有少数几个人才能访问到私钥。这个措施可以防止私钥泄露,并保证了密钥的完整性。当然,公钥是完全公开的,可以自由分发...

amrg20179的博客 243

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

通过延迟签名加密

通过延迟签名加密 保护你的私有密匙是非常重要的,如果某个恶意的人取得了你的密匙,他生成的组件将和你签过名的组件一样。因此,应当把你的密匙设于高度的保密状态,公司里面可能就只有几个人知道。这样以来,又怎么给你的组件签名呢?如果就只有你一个人知道密匙,这样会很繁琐,因为你必须为公司中每个开发者开发出来的每个组件签名。 很幸运的是.NET为这个问题提供了一个很好的方法:延迟签名。通过延迟签名,你可以在只

cxzhq2002的杂记 2195

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

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

程序集的延迟签名使用

延迟签名允许我们只使用公司的公有密钥就可以生产程序集,不再需要私有密钥,这种用公有密钥生产的程序集还被允许放在GAC的内部结构中。如果没有用私有密钥对这些文件签名,它们将失去篡改保护功能,因为程序集文件没有经过散列转换,也没有在文件中嵌入数字签名。但是,失去保护不应该成为一个问题,因为我们是在开发程序集,而不是在打包或部署。 使用延迟签名一般使用如下技巧: 1. 当开发程序集时,首先取得仅包含公司...

SX的博客 441

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

给共享程序集延迟签名

为了安全,公司一般只有少数人能访问到私钥。但是在开发和测试程序集时,访问这些受到严密保护的私钥可能有些费事儿。有鉴于此,.NET Framework提供了对延迟签名(delayed signing)的支持,这个技术有时也称为部分签名(partial signing)。延迟签名允许你只用公司的公钥来生成一个程序集,暂时不用私钥。等在发布之前,在用私钥进行签名1...

weixin_34314962的博客 129

无人值守 Agent 自动发文系统实战:cron 调度、HMAC 签名与幂等设计

回头来看,这套系统的工程价值不在"AI 能写文章"——这早就不稀奇了。在于把"AI 能写"变成"AI 每天稳定地写、安全地发":随机延迟解决机器特征,签名解决网关鉴权,探活解决凭证过期,幂等解决重复发布,扫描解决审核风险。五个环节,每一个都是踩坑踩出来的。下一步我打算做两件事:一是把探活和发布结果上报到飞书机器人,失败时即时告警(现在还是"第二天看日志"模式);二是把红线词扫描做成独立服务,因为不同平台的红线词表不一样,想扩展到更多平台。你的自动化任务是怎么处理"登录态过期"和"重复触发"这两个问题的。

weixin_55357163的博客 304

.NET安全系列之六:强名程序集

<br />http://www.cnblogs.com/lsxqw2004/archive/2009/01/28/1381338.html<br /> <br />在.NET之前,Window操作系统使用一项名为Authenticode的技术来验 证可执行文件。与强名技术的类似的,它也是对程序集进行数字签名,不过两项技术主要针对的目标不同。Authenticode用于标识一个可执行文件的创 建人或组织。通过它我们可以执行一个程序而不用担心它是伪造的。而强名技术表人一个程序集,使相同名称但不同版本的程序

pp_zz的专栏 433

5分钟搞定!用SVG+CSS动画制作超酷动态签名(附完整代码)

本文详细解析了如何使用SVG和CSS动画快速制作专业级动态签名,从获取SVG路径到实现描边动画的全流程。通过`stroke-dasharray`和`stroke-dashoffset`属性,结合CSS关键帧动画,轻松模拟真实书写效果,适用于个人网站、作品集等场景,提升设计感和交互体验。

weixin_30825581的博客 246

PiTPM框架:革新TPM多设备签名的高效安全方案

在硬件安全领域,可信平台模块(TPM)是保障设备安全的核心组件,尤其在多设备协同场景下,其安全签名机制至关重要。传统TPM方案在多设备交互时面临通信复杂度高和单点故障问题。PiTPM框架通过引入聚合器组件和预共享随机数技术,结合Schnorr签名方案,实现了非交互式多设备签名。该方案不仅降低了通信开销,还保持了硬件安全模块的私钥隔离原则。在加密货币多签钱包和物联网设备群认证等场景中,PiTPM展现出显著的性能优势和安全保障。

weixin_30800807的博客 323

从Attestation看AMA Protocol:签名聚合与网络同步的信任模型

想知道一条区块链如何在没有"上帝视角"的情况下让全网节点信任同一份账本?答案藏在**AMA Protocol**的**Attestation**(证明)机制里。作为一条主打隐私与 AI Agent 场景的 Layer 1 公链,AMA Protocol(即 Amadeus Protocol)用**BLS12-381 签名聚合**把"一区块一签名"压缩成"一区块一群签名",再通过精巧的**网络同步*

gitblog_00623的博客 397
上一篇: 关于值类型和引用类型的区别和总结
下一篇: 关于ADO.NET下数据的两种访问方式
Hugohut
博客等级 码龄18年 177粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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