iOS Hacker 动态库 dylib 注入

sysprogram sysprogram 博客等级 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 1.3w累计阅读 1.4w+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 码龄17年
关注
原创 最新推荐文章于 2026-10-30 10:02:56 发布 1.3w 阅读 AI 写同款· GEO 优化 ›
微信语音包玩法保姆级教程 在插件中开启语音包功能，然后利用插件的功能进行导入语音包到插件中，锤子助手插件支持Silk个Plist格式的语音包，其它的插件暂未测试，具体支持哪种格式暂时不知道，有知道的小伙伴可以在评论区留言。wp:heading。 阅读详情

iOS Hacker 动态库 dylib 注入

很多情况下我们希望自己写的代码能够在其他应用中运行，如果代码简单的话，可以写 Tweak 或者使用 Cycript。但如果代码多的话，那最好是写一个动态库，然后把文件注入到应用中得到代码的执行。一般有三种方法，本文简单的讲解一下。

一、编写 dylib

​ 首先得先写一个测试用的动态库。Xcode 新建 iOS 工程的时候，选择 Framework 工程，默认文件格式为动态库，如图:

这里写图片描述

​ 动态库的入口函数可以这样写

__attribute__((constructor)) static void EntryPoint()
{
    NSLog(@"EntryPoint");
}

二、DynamicLibraries

​ 注入动态库的第一种方法可以将 dylib 文件放入 DynamicLibraries 目录。写过 Tweak 的朋友，应该知道 Tweak 产生的 dylib 实际会安装到 /Library/MobileSubstrate/DynamicLibraries 目录，在这个目录的 dylib 会被应用加载，里面的 dylib 会有一个 plist 文件，标识哪些进程会加载，如图：

这里写图片描述
这样我们只需要将我们自己的 dylib 放入这个目录，然后新建一个 plist 把微信的包名加进去，就可以让微信加载我们的代码了。

三、修改可执行文件

​ 注入动态库的第二种方法就是修改可执行文件。OSX 和 iOS 应用的可执行文件都属于 Mach-O 文件格式，只要我们在可执行文件的添加了一条 LoadCommand 为 LC_LOAD_DYLIB，将路径指定我们的 dylib，不就行了吗？下面的图可以看出，LoadCommand 加载系统的动态库。

这里写图片描述

这里写图片描述

使用开源工具 optool 可以添加 LoadCommand，方法如下：

git clone –recursive https://github.com/alexzielenski/optool.git
cd optool
xcodebuild -project optool.xcodeproj -configuration Release ARCHS=”x86_64” build //编译
/path/to/optool install -c load -p “@executable_path/yourdylib.dylib” -t /yourexefile

因为 optool 添加了 submodule，所以需要使用 –recuresive 选项，将子模块全部 clone 下来。optool 执行之后的效果如图：

这里写图片描述

我们添加的 dylib 的路径是 executable_path/yourdylib.dylib， 所以需要将 dylib 复制到应用可执行文件自身目录下，这样应用打开就能加载我们的动态库。

如果对文件重签名，打包成 ipa，就可以安装到未越狱的手机上，也就是实现了不越狱也能注入动态库。

四、DYLD_INSERT_LIBRARIES

第三种方法是使用 DYLD_INSERT_LIBRARIES 环境变量启动进程。

DYLD_INSERT_LIBRARIES=test.dylib /var/mobile/Containers/Bundle/Application/143A710D-4395-4765-872C-148EA6C86936/WeChat.app/WeChat

通过设置 DYLD_INSERT_LIBRARIES 环境变量也可以实现注入，还记得 dumpdecrypted 脱壳吗？它就是使用 DYLD_INSERT_LIBRARIES 注入进程，然后把文件从内存中给 dump 下来。

有人会奇怪，为什么 DYLD_INSERT_LIBRARIES 能够注入呢？其实这就是苹果本身提供的一个功能，我们可以看苹果开源的 dyld 的源码，在 main 函数里相关的代码，判断了 DYLD_INSERT_LIBRARIES 环境变量，如果有的话就会加载。

// load any inserted libraries
if  ( sEnv.DYLD_INSERT_LIBRARIES != NULL ) {
    for (const char* const* lib = sEnv.DYLD_INSERT_LIBRARIES; *lib != NULL; ++lib) 
        loadInsertedDylib(*lib);
}

// state of all environment variables dyld uses
//
struct EnvironmentVariables {
    const char* const *         DYLD_FRAMEWORK_PATH;
    const char* const *         DYLD_FALLBACK_FRAMEWORK_PATH;
    const char* const *         DYLD_LIBRARY_PATH;
    const char* const *         DYLD_FALLBACK_LIBRARY_PATH;
    const char* const *         DYLD_INSERT_LIBRARIES;
    const char* const *         LD_LIBRARY_PATH;            // for unix conformance
    const char* const *         DYLD_VERSIONED_LIBRARY_PATH;
    const char* const *         DYLD_VERSIONED_FRAMEWORK_PATH;
    bool                        DYLD_PRINT_LIBRARIES;
    bool                        DYLD_PRINT_LIBRARIES_POST_LAUNCH;
    bool                        DYLD_BIND_AT_LAUNCH;
    bool                        DYLD_PRINT_STATISTICS;
    bool                        DYLD_PRINT_OPTS;
    bool                        DYLD_PRINT_ENV;
    bool                        DYLD_DISABLE_DOFS;
    bool                        DYLD_PRINT_CS_NOTIFICATIONS;
                            //  DYLD_SHARED_CACHE_DONT_VALIDATE ==> sSharedCacheIgnoreInodeAndTimeStamp
                            //  DYLD_SHARED_CACHE_DIR           ==> sSharedCacheDir
                            //  DYLD_ROOT_PATH                  ==> gLinkContext.rootPaths
                            //  DYLD_IMAGE_SUFFIX               ==> gLinkContext.imageSuffix
                            //  DYLD_PRINT_OPTS                 ==> gLinkContext.verboseOpts
                            //  DYLD_PRINT_ENV                  ==> gLinkContext.verboseEnv
                            //  DYLD_FORCE_FLAT_NAMESPACE       ==> gLinkContext.bindFlat
                            //  DYLD_PRINT_INITIALIZERS         ==> gLinkContext.verboseInit
                            //  DYLD_PRINT_SEGMENTS             ==> gLinkContext.verboseMapping
                            //  DYLD_PRINT_BINDINGS             ==> gLinkContext.verboseBind
                            //  DYLD_PRINT_WEAK_BINDINGS        ==> gLinkContext.verboseWeakBind
                            //  DYLD_PRINT_REBASINGS            ==> gLinkContext.verboseRebase
                            //  DYLD_PRINT_DOFS                 ==> gLinkContext.verboseDOF
                            //  DYLD_PRINT_APIS                 ==> gLogAPIs
                            //  DYLD_IGNORE_PREBINDING          ==> gLinkContext.prebindUsage
                            //  DYLD_PREBIND_DEBUG              ==> gLinkContext.verbosePrebinding
                            //  DYLD_NEW_LOCAL_SHARED_REGIONS   ==> gLinkContext.sharedRegionMode
                            //  DYLD_SHARED_REGION              ==> gLinkContext.sharedRegionMode
                            //  DYLD_PRINT_WARNINGS             ==> gLinkContext.verboseWarnings
                            //  DYLD_PRINT_RPATHS               ==> gLinkContext.verboseRPaths
                            //  DYLD_PRINT_INTERPOSING          ==> gLinkContext.verboseInterposing
};

苹果开源的 dyld 源码地址，里面有各种版本的
https://opensource.apple.com/source/dyld/

苹果的开源项目，里面东西很多，还有 xun 内核的源码，方便做内核调试。
https://opensource.apple.com/
https://opensource.apple.com/release/os-x-1011.html
https://opensource.apple.com/source/dyld/dyld-360.14/

收录于
iOS/MacOSX/移动安全

当前文章被收录于：

iOS/MacOSX/移动安全
87 篇文章 7 人学习
订阅专栏 查看详情
标签
#xcode #ios #hacker
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
微信语音包DIY全攻略：从Silk格式转换到锤子助手导入（附资源包） 本文提供了一份详尽的微信语音包DIY制作指南，核心在于掌握Silk格式转换技术。文章深入解析了微信采用Silk格式的原因，并详细介绍了使用FFmpeg和silk-v3-encoder工具链进行高质量转换的完整流程，包括音频预处理、批量脚本编写，以及如何将制作好的语音包导入锤子助手插件，助你打造个性化聊天体验。 阅读详情

相关推荐

optool 工具

Optool工具使用简介试讲阶段一、BOCC赛事查询工具发展历程二、工具的程序原理及编码规则三、工具的主界面及功能区分类介绍三、模块及工作流程从无到有,从简单到复杂

ios系统通过ipa生成plist文件下载app注意事项汇总

https://gitee.com/soultae/appdownload/tree/master/src/main/java/com/demo/springboot https://www.it610.com/article/1304947239482855424.htm https://www.cnblogs.com/richerdyoung/p/9838685.html https://blog.youkuaiyun.com/zhanghuiqi205/article/details/82942310 h

陌子曦的专栏 1165

不带DDR的ZYNQ使用OCM加载程序运行的方法

软件版本：Vivado Vitis2019.2 第一步： 在Vivado的ZYNQ Block Design时候不配置DDR 第二步： 在Vitis中： 1、 在Vitis中新建Platform，选择xsa文件： 2、 在xparameters.h中添加DDR的地址空间定义，如下： 3、 修改链接文件，修改每个段都到ram_0，因为ram_1空间全部给到应用程序 4、 修改fsbl工程的main.c，增加XPAR_PS7_DDR_0条件编译 5、 修改fsbl.h，重定义DDR_EN

hpf247的博客 5535

IOS微信无需越狱导入自己喜欢的语音包！

IOS微信无需越狱导入自己喜欢的语音包！

NCGZS 5032

配置Dot1q终结子接口实现跨设备VLAN间通信示例

示例图 一.实验目的 1.配置Dot1q终结子接口实现跨设备VLAN间通信示例 二.注意事项 1.Dot1q终结子接口和QinQ终结子接口不支持透传不带VLAN Tag的报文， 收到不带VLAN Tag的报文会直接丢弃 2.由于三层以太网子接口不支持VLAN报文，当它收到VLAN报文时，会将VLAN报文当成是 非法报文而丢弃，因此，需要在子接口上将VLAN Tag剥掉，也就是需要VLAN终结 三.VLAN终结简介 1.VLAN终结的实质包含两个方面： ①.对接口接收到报文，剥除VLAN标

qq_44751470的博客 7097

monocle3-单细胞轨迹分析在疾病研究中的应用

本文深入探讨了monocle3在单细胞轨迹分析中的核心应用，特别是在疾病研究领域。通过实战案例，详细讲解了如何利用monocle3进行轨迹推断，构建细胞状态演变的“路线图”，并结合伪时间分析定位疾病进展阶段。文章还介绍了如何挖掘驱动疾病发展的关键基因，并分享了数据整合、根节点选择等进阶技巧与避坑指南，旨在帮助研究者利用这一强大工具揭示肿瘤异质性、免疫治疗耐药等复杂生物学过程的动态机制。

a3b4c5的博客 639

iOS逆向之代码注入(dylib)

题外话：此教程是一篇严肃的学术探讨类文章，仅仅用于学习研究，也请读者不要用于商业或其他非法途径上，笔者一概不负责哟~~ 准备工作 非越狱的iPhone手机 用PP助手下载： 微信6.6.5(越狱应用) MachOView MachOView下载地址：http://sourceforge.net/projects/machoview/ MachOView源码地址：http...

WinJayQ的专栏 3263

TMC5160 StallGuard2调参避坑指南：从SG_RESULT飘忽不定到稳定检测堵转

本文详细解析了TMC5160的StallGuard2功能在堵转测试中的调参技巧，从SG_RESULT波动问题到稳定检测的完整解决方案。通过电流环与反电动势分析、电源噪声处理及低速校准法等实用方法，帮助工程师实现工业级可靠的堵转检测，避免误触发和检测失效问题。

weixin_28727975的博客 380

IOS安全–可执行文件dylib注入，无需越狱

转：http://www.blogfshare.com/inject-with-njb.html 简单来说就是通过修改可执行文件的Load Commands，增加一个LC_LOAD_DYLIB，写入dylib路径。这样程序执行的时候就会来编译这个LC_LOAD_DYLIB找到要注入的dylib，从而进行加载。   新建一个简单的testApp，编译生成，使用MachoOView查看结

zhangmiaoping23的专栏 1万+

通达信-申万宏源金融终端本地数据转sqlite3，2、解析申万宏源C:/zd_swhy_gm/vipdoc/sh/lday的sh600000股票数据

为量化做准备，通达信-申万宏源金融终端本地数据转sqlite3，解析申万宏源C:/zd_swhy_gm/vipdoc/sh/lday的sh600000股票数据

wuyaqi的博客 511

英飞凌TLF35584 SBC实战：手把手教你配置WDG看门狗与ERR监控（基于AUTOSAR架构）

本文详细介绍了基于AUTOSAR架构的英飞凌TLF35584 SBC芯片WDG看门狗与ERR监控功能的配置方法。通过硬件平台搭建、寄存器级配置、AUTOSAR模块集成及诊断策略优化，帮助开发者快速掌握关键配置技巧，提升嵌入式系统的安全性和可靠性。

weixin_30256901的博客 477

iOS Hacker 重签名实现无需越狱注入动态库 dylib

iOS Hacker 重签名实现无需越狱注入动态库 dylib一、获取 ipa 文件iOS 的应用都是打包成 ipa 的文件格式，ipa 文件实际上就是 zip 格式的文件，通过 unzip 可以解压，和安卓下的 apk 包类似。App Store 下载完应用，就把 ipa 解压到某个目录，然后把 ipa 删除，那么我们如何获取 ipa 文件呢？可以通过 iTunes 安装来获取 ipa 文件，在

十年磨一剑，霜刃未曾试! 1万+

软考中级-软件设计师 Python基础

软考中级-软件设计师 Python知识点整理

片言可决讼，半纸能缚龙 3643

ios动态库注入把越狱手机上自制的动态库安装到普通手机上

文章目录查看依赖库执行命令查看程序依赖的动态库名字用machoview查看安装insert_dylib 查看依赖库 先进入app包所在目录 执行命令查看程序依赖的动态库名字 otool -L 可执行程序名 例如:得到5个动态库 otool -L testCrackPwd testCrackPwd: /System/Library/Frameworks/Foundation.framework/Foundation (compatibility version 300.0.0, current versi

小手琴师的博客 9450

药物吸收仿真软件：Caco-2_（9）.Caco-2模型在药物开发中的案例分析

通过以上五个案例，我们可以看到Caco-2模型在药物开发中的重要作用。它不仅能够帮助我们预测药物的肠道吸收情况，还能够用于优化药物配方、评估代谢稳定性、研究药物相互作用以及转运蛋白的影响。这些体外实验和仿真分析的结果为药物的进一步临床研究提供了重要的参考依据，有助于缩短药物开发周期，提高研发效率。

kkchenjj的博客 864

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")

探索iOS Dylib动态库注入艺术：Dylib Patching Demo

探索iOS Dylib动态库注入艺术：Dylib Patching Demo 项目介绍 iOS Dylib Patching Demo 是一个专为iOS开发者设计的开源项目，旨在教授如何将动态库注入到IPA文件中。该项目不仅提供了一套实用的工具，还通过Medium上的教程，详细解释了整个过程。无论你是热衷于iOS逆向工程的爱好者，还是希望深入了解应用程序安全性的开发者，这个项目都将为你带来宝贵的实...

gitblog_00021的博客 886

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

iOS 超强插件注入神器，Trollfools迎来二次进化

而且它最离谱的是兼容性，无论是系统APP，还是App Store下载APP，或是巨魔APP，都能注入插件，无比强大。说实话，越狱生态中优秀的DEB插件，简直不要太多，而现在，它们都可以无损迁移到巨魔，体验简直不要太爽。今天要介绍的，就是Trollfools的其中一个技术分支：Trollfools的huami修改版，又称Trollfools二改版。但Trollfools是开源项目，而开源项目的优点，就是谁都可以修改完善，从而诞生更优秀的技术分支。第二，在iOS 文件系统里，找到准备好的DEB插件，点击勾选。

Hgc55888666的博客 2946

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》。

在ipa中注入动态库dylib并运行自己的代码

最近接到一个需求，要求将自己写的dylib注入到别人的ipa中，在启动该程序后可以运行自己的代码。这个需求主要分为两部分，第一部分是注入dylib，第二部分是运行自定义代码。于是乎四处去找实现方案，对于第一部分一般都是事先将dylib手动放入 /Library/MobileSubstrate/DynamicLibraries/ 下，不符合我们的需求，最后找到了一个开源的mac工具：LibAhead

kakaluo123的博客 1万+

编写dylib_Dylib 注入

准备工作：像往常一样，创建项目，创建脚本，引入固定的脚本。动态库 配置添加 动态库 (Dynamic)image.pngIOS 下已经没有这样的库了，framworks 代替了。选择刚刚添加的动态库，编译：image.png动态库 文件目录可以发现添加的动态库加载上了，但是是在 Debug 目录下的。切回到工程目标，添加动态库的依赖关系，编译：image.pngimage.png报错，但是细看可以...

weixin_34332352的博客 1791

如何把 Notion 和 Markdown 文档批量搬进 Docmost？7 种导入迁移路径实操教程

团队文档散落在 Notion、旧 wiki、Word 和 PDF 里，一页页复制粘贴既慢又容易把格式弄乱。Docmost 的导入功能就是为此准备的：单文件导入支持 Markdown、HTML、Docx、PDF 四种格式，ZIP 批量迁移则能吃下通用文档目录、Notion 官方导出包和 Confluence 导出包。本文按"先判断类型、再选迁移方式、后查还原度"的顺序，带你把整批文档迁进来。 ##

gitblog_00058的博客 482

iOS逆向基础动态库注入实现过程（三）

在逆向过程，我们很多时候需要动态调试把自己的代码注入目标app，替换或拦截部分功能，那是如何实现将自己代码载入目标app从而hook的呢？今天我们聊下动态库...

寻找改变未来的算法 1612

编写dylib_iOS逆向-无需越狱注入动态库

0x0 获取iTunes下载现在iTunes已经没有下载ipa的功能了第三方市场目前大部分只能依靠第三方市场来下载，而且第三方市场的ipa其实有一个优势，大部分都是已经脱壳的，省去一个步骤OTA安装的企业版app这种就更好办了首先拿到ota的url，基本上是itms-service之类的scheme查看里面的一个url=的参数，就是plist配置的地址下载或者查看这个plist，可以发现里面就有i...

weixin_39850152的博客 2954

iOS无需越狱实现注入Hook，巨魔TrollFools实现动态库注入

将编译好的动态库dylib、deb、zip等动态库注入到指定App中，实现注入能力这种方式和直接将动态库（.dylib 或 .framework）嵌入到 IPA 包的 Frameworks 目录中，并通过修改 Mach-O 文件或签名工具的自动化流程完成注入‌效果和原理一样，但无需重打包不用关心签名校验限制。

weixin_38367103的博客 5247

苹果APP注入dylib

好奇心让我对这个dylib感兴趣，于是就在一些APP里注入了dylib，但是奇怪的事情发生了 ，只要打开APP就提示我不是官方正版应用，求大佬们解决办法，或者支个招给个思路。

qq_44179994的博客 1292

iOS动态库注入

本课程主要针对iOS动态库注入技术做了详细讲解和实战演示，分为技术篇和运维篇，最终目标是将动态库注入到目标ipa包中，并且执行动态库中的代码，实现动态库与ipa交互。技术篇 - 主要从基础知识、涉及工具，以及一个完整的手动注入实例流程来讲解，面向技术开发人员； 运维篇 - 通过利用自动注入工具、重签名工具来可视化的注入动态库，面向运维等非技术人员；课程目录课程简介1，课程目标和大纲技术篇2，基础知识 - 动态库3，基础知识 - IPA包4，基础知识 - Mach-O5，基础知识 - 代码注入6，基础知识 - 重签名7，涉及工具 - Xcode/iOSOpenDev/Terminal8，涉及工具 - yololib/MachOView/iFunBox/iReSign9，实例演示 - 创建.dylib动态库10，实例演示 - 创建测试APP11，实例演示 - 手动注入动态库（开发模式）12，实例演示 - 手动注入动态库（重签名模式）运维篇13，运维篇 - 准备工作14，运维篇 - 实战演示15，运维篇 - 技术支持课程总结16，课程总结
上一篇： iOS Hacker obfuscator-llvm Xcode集成配置
下一篇： iOS socket 套接字编程
点赞 1
评论 8
书签 书签 10
sysprogram
sysprogram
博客等级 码龄17年 298粉丝 442原创
+ 关注 专栏目录 订阅专栏
评论 8
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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