浅谈ASP.NET的内部机制(一)

本文详细介绍了HTTP请求在到达ASP.NET服务器后的处理流程,包括http.sys组件如何验证URL及请求头大小、过滤器如何处理无cookie信息并将之转换为HttpHeaders,以及如何保护ASP.NET的特定目录。

 前言:当一个Http请求发送给一个aspx页面时,服务器进行了哪些操作?又如何来解析这个请求?ASP.NET在接收请求后是怎么运行的,如怎么编译以及怎么样用托管的代码来运行的?.....理解这些问题,使我们可以更加好的开发ASP.NET。

  1.当我们在浏览器中请求一个ASP.NET网站的某个页面的时候,如,我们在浏览器中输入"http://localhost/Demo.aspx",这个请求就被发送到了服务器(当然了,这个网站是部署在IIS中的)。当请求到达了服务器之后,那么IIS就开始进行一系列的操作。注意,不是每个请求都一定会由ASP.NET来运行处理的,大家稍后就会明白为什么。

  2.在IIS中有一个组件:http.sys,其实这个组件的作用很简单,就是验证请求的url,如之前的"http://localhost/Demo.aspx".如果请求的URL不符合http.sys的要求,那么这个请求就不会被传递给ASP.NET的处理程序,这样就在IIS这道门槛这些阻止了不合法的url请求,这样ASP.NET就不用处理这个不合法的请求,就减轻了服务器的压力。

  下面,我们就来看看这个http.sys到底是怎么样处理请求的url的,当大家明白这个问题后,就可以帮助我们解决很多的以前遇到的问题。

  首先请大家看看下面的图:

浅谈ASP.NET的内部机制(一)

  图片看不清楚?请点击这里查看原图(大图)。 

 

当发送一个请求来请求页面的时候,http.sys就会检查这个请求的url和headers的总的大小:包含检查url中有关查询字符串的大小,如demo.aspx?username=demo,也会检查cookie的大小。把这些所有的加起来,看看它们是否超过了16KB,如果超过了,请求就失败了。所以请求根本就没有传递给ASP.NET。

  而且在http.sys检查url的时候也有很多的要求的。如我们之前的那个url:

  http://localhost/Demo.aspx

  这个url是由localhost,Demo.aspx,这些路径的片段组成的,每一个由"/"分割的字符串都是一个路径片段,本例中就有两个路径片段。在默认情况下,http.sys要求一个url的路径片段不超过255个,并且每个路径片段的大小也不要超过260个字母。但是注意,如果在Demo.aspx后面有查询字符串,"Demo.aspx?page=1",那么这个片段就可以超过260个字母的限制,即"Demo.aspx?page=1"可以更大。但是不管怎么样,这些url的大小,如之前所说的,不能超过16KB。如果没有通过http.sys的要求,IIS就发送一个404的错误。

  之前也说了的,那是默认的这只,其实这些设置我们是可以在注册表中改的。但是默认设置已经很不错了,所以一般没有必要改。

  3.当请求的url通过了http.sys的检查后,请求就会传递给aspnet_filter.dll,下面简称filter。

  其实这个filter做两件事:将url中的无cookie的票据转换为Http Headers;保护ASP.NET的相应的目录。

  首先来看看第一个作用:检查url中的无cookie信息,并且转换为Http Headers.

  大家应该明白ASP.NET2.0中的新特性-支持无cookie,即cookieless。因为我们在进行验证的时候一般是基于Forms验证,而这种验证方式是把信息保存在cookie中的,但是有的用户的浏览器是禁用了cookie的,所以为了使得我们可以继续用这个验证方式,就把验证信息保存为无cookie,大家可以去查看有关这方面的资料。来看看下面的一个url:

http://localhost/demo/(S(tuucni55xfzj2xqx1mnqdg55))/Default.aspx

  我们其实把有关的信息存储在了url中,如上面的"S"就标识在后面括号"()"的信息就是无cookie的信息(tuucni55xfzj2xqx1mnqdg55).

  来看看“S”是什么:

  S—Cookieless ticket for session state

  A—Cookieless ticket for anonymous identification

  F—Cookieless ticket for forms authentication

  其实filter并不知道这些标识(如"S")的意义.只是filter检查url中是否包含这些标识,并且这些标识后面还有"()",如果在url中检查到有这些标识,那么filter就把这些标识转换为Http Headers,并且在url中删除这些标识。我们本来请求的是http://localhost/demo/Default.aspx页面,但是如果filter不删除标识,那么我们请求的http://localhost/demo/(S(tuucni55xfzj2xqx1mnqdg55))/Default.aspx是不存在的,就会返回一个404错误(找不到请求的文件)。

  现在我们来看看filter的第二个作用的:保护ASP.NET的相应的目录。

  在我们开发的ASP.MET网站中,有很多的文件目录是不允许访问的,如我们存放数据的App_Data,App_Code等。所以filter就会检查请求的url中是否包含这样的字符,如http://localhost/demo/App_Code/....一旦发现有这样的字符串出现,甚至是以"App_"开发的任何字符串,如“App_MyFolder",这个请求就会被拒绝了。但是,假如你的项目中已经有一个这样的以"App_"命名的目录,如果你非要可以访问这样的目录,可以在注册表中修改设置HKEY_LOCAL_MACHINESoftwareMicrosoftASP.NET。


  今天就写到这些,下篇接着讲述。

文章来自:http://www.chinaitz.com/html/2009/0307/399027_3.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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