关于hook设置函数如何支持多核CPU的一个说明

本文介绍在多核CPU环境下如何正确设置HOOK函数的方法,包括保护内存区域、修改函数入口指令以及刷新CPU缓存等步骤,确保HOOK操作在多线程环境中的一致性和有效性。

前两天看Intel网站上贴了一篇关于设置HOOK的文章,讲到在多核CPU上,由于执行代码可能存在CPU CACHE里,因此当更改了函数起始6字节后,CPU CACHE里的对应内容并没有被修改,所以需要调用FlushInstructionCache()函数来更新CACHE。

更新后的代码如下,增加的代码以粗体标出了。

/** 通过地址来设置某个函数的钩子函数

 @param HANDLE hApiHook - 由ApiHook_Init()函数生成的句柄 
 @param DWORD dwSrcFuncAddr - 源函数地址 
 @param DWORD dwNewFuncAddr - 钩子函数地址 
 @return INT (by default) - -1表示失败,>=0表示在hook数组中的序号 
*/
INT ApiHook_SetByAddr(HANDLE hApiHook, DWORD dwSrcFuncAddr, DWORD dwNewFuncAddr)
{
 DWORD dwOldProtect;
 DWORD dwNewProtect;
 DWORD   lpSrcFunc;
    DWORD   lppNewFunc;
    UINT     i;
 INT  nAlreadyFlag = 0;

 APIHOOK  *pApiHook = (APIHOOK *)hApiHook;
 if ( NULL == hApiHook )
 {
  return -1;
 }

 lpSrcFunc = dwSrcFuncAddr;
    /* 查找是否已被设置了钩子 */
 for ( i = 0; i < pApiHook->uMaxFunctions; i++ )
 {
  if ( pApiHook->pHookData[i].dwSrcFuncAddr == lpSrcFunc )
  {
   /* 如果已经被设置了钩子,仅仅改变. */
   nAlreadyFlag = 1;
   break;
  }

 }
 /* 如果没有设置源函数的钩子函数,在表中找出一个可供记录的位置. */
 if ( i == pApiHook->uMaxFunctions )
 {
  for ( i = 0; i < pApiHook->uMaxFunctions; i++ )
  {
   if (pApiHook->pHookData[i].wFlag == 0 )
   {
    break;
   }
  }  
  if ( i == pApiHook->uMaxFunctions )
  {
   return -1;
  }
 }

    /* 将新的钩子函数地址记录到表中 */
 pApiHook->pHookData[i].dwNewFuncAddr = dwNewFuncAddr;
 
 /* 以下这段代码将源函数头部6个字节保存到表中 */
 lppNewFunc = (DWORD)(&(pApiHook->pHookData[i].dwNewFuncAddr) );

 if ( !nAlreadyFlag )
 {
  /* 将源函数起始处6个字节保存到 byHeaderCode.中 */
        memcpy( pApiHook->pHookData[i].byHeaderCode, (const void *)lpSrcFunc, 6);
 }

    /* 以下这段代码将源函数首部6个字节改成为一条跳转到新函数地址的指令 */
    if ( VirtualProtect( (LPVOID)lpSrcFunc,
                         6,
                         PAGE_EXECUTE_READWRITE,
                         &dwOldProtect ) == 0 )
    {
        /*
         * Failure.
         */
        return -1;
    }
 
    *(unsigned char *)lpSrcFunc = (unsigned char)0xff;
    *(((unsigned char *)lpSrcFunc)+1) = (unsigned char)0x25;

    memcpy( (void *)(lpSrcFunc+2),
            (const void *)&lppNewFunc,
            4 );                            /* address  */

    if ( VirtualProtect( (LPVOID)lpSrcFunc,
                         6,
                         dwOldProtect,
       &dwNewProtect) == 0 ) {
        /*
         * Failure.
         */
        return -1;
    };

 pApiHook->pHookData[i].wFlag = 1;
 pApiHook->pHookData[i].dwSrcFuncAddr = lpSrcFunc;

 /* 使用以下FlushInstructionCache调用来支持多核CPU上的CACAHE的更新,
  * 上面的代码只更改了内存里的地址,没有更改CPU CACHE里的对应内容。
  */
 FlushInstructionCache(GetCurrentProcess(), NULL, NULL);

 return (INT)i;
}

 




基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
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