搜索[序列化框架]结果-低调大师优秀个人博客

精选列表

搜索[序列化框架]，共10008篇文章

MessagePack Java 0.6.X 多种类型变量的序列化和反序列化

类Packer/Unpacker允许序列化和反序列化多种类型的变量，如后续程序所示。

2019-08-06

[LintCode] Serialize and Deserialize Binary Tree（二叉树的序列化和反序列化）

描述设计一个算法，并编写代码来序列化和反序列化二叉树。将树写入一个文件被称为“序列化”，读取文件后重建同样的二叉树被称为“反序列化”。

2018-12-16

Apache Seata Hessian反序列化漏洞

Seata用于服务端与客户端通信的RPC协议（默认8091端口）以及2.0.0开始实现的Raft协议消息均支持hessian格式，在2.1.0及1.8.1版本之前的Hessian反序列化操作校验不严格，

2024-09-17

Apache Camel JDBCAggregationRepository反序列化漏洞

漏洞描述 Apache Camel 是开源的系统间数据交互集成框架。

2024-02-20

Splunk Enterprise for Windows 反序列化漏洞

Splunk Enterprise for Windows 9.0.8 和 9.1.3 以下版本中，由于未对用户可控的路径输入数据正确过滤，攻击者可构造恶意路径反序列化计算机上单独磁盘分区中的恶意数据，

2024-01-24

Apache Dubbo 3.1.5 反序列化漏洞

漏洞描述 Apache Dubbo 是一款易用、高性能的 WEB 和 RPC 框架。

2023-12-18

Apache Submarine 存在反序列化漏洞

Apache Submarine在YamlEntityProvider.java中使用 snakeyaml 反序列化yaml 格式的请求。

2023-11-21

利用Jackson序列化实现数据脱敏

2.目标在服务端返回数据时，利用Jackson序列化完成数据脱敏，达到对敏感信息脱敏展示。

2023-03-31

Apache Dubbo 存在反序列化漏洞

漏洞描述 Apache Dubbo 是一款轻量级 Java RPC 框架该项目受影响版本存在反序列化漏洞，由于Dubbo在序列化时检查不够全面，当攻击者可访问到dubbo服务时，可通过构造恶意请求绕过检查触发反序列化

2023-03-08

snakeYAML <=1.33 存在反序列化漏洞

snakeYAML 受影响版本中的 Constructor 类由于没有对反序列化的类型进行限制，导致在处理恶意 yaml 内容时容易受到反序列化漏洞的影响。

2022-12-03

GoCD < 21.1.0 存在反序列化漏洞

GoCD 在21.1.0之前的版本中由于 Spring RemoteInvocation 端点暴露了代理通信，并允许对任意 java 对象进行反序列化从而存在潜在的反序列化漏洞，具有代理级别的身份验证的攻击者可利用此漏洞进行远程代码执行

2022-11-09

RabbitMQ竟然无法反序列化List

哈哈哈，到此可以石锤是消费端反序列化的问题了。赶紧把锅甩出去，抽他呀的（自嗨而已），我写的代码怎么可能有bug。对我爱学习的我，肯定不愿意就这样算了。必须刨根问底，给他上一课。

2021-09-12

在 Kotlin 序列化中使用 DataStore

这两个 DataStore 版本都会在后台使用 Protos 对数据进行序列化。您也可以使用 Kotlin 序列化，结合使用 DataStore 与自定义数据类。

2021-04-29

介绍 ProtoBuf 是google团队开发的用于高效存储和读取结构化数据的工具。什么是结构化数据呢，正如字面上表达的，就是带有一定结构的数据。比如电话簿上有很多记录数据，每条记录包含姓名、ID、邮件、电话等，这种结构重复出现。同类 XML、JSON 也可以用来存储此类结构化数据，但是使用ProtoBuf表示的数据能更加高效，并且将数据压缩得更小。原理 ProtoBuf 是通过ProtoBuf编译器将与编程语言无关的特有的 .proto 后缀的数据结构文件编译成各个编程语言(Java,C/C++,Python)专用的类文件,然后通过Google提供的各个编程语言的支持库lib即可调用API。(关于proto结构体怎么编写，可自行查阅文档) ProtoBuf编译器安装 Mac : brew install protobuf 举个例子 1.先创建一个proto文件 message.proto syntax = "proto3"; message Person { int32 id = 1; string name = 2; repeated Phone phone = 4; enum PhoneType { MOBILE = 0; HOME = 1; WORK = 2; } message Phone { string number = 1; PhoneType type = 2; } } 2.创建一个Java项目并且将proto文件放置 src/main/proto 文件夹下 3.编译proto文件至Java版本用命令行 cd 到 src/main 目录下终端执行命令 : protoc --java_out=./java ./proto/*.proto 会发现，在你的src/main/java 里已经生成里对应的Java类 4.依赖Java版本的ProtoBuf支持库这里只举一个用Gradle使用依赖的栗子 implementation 'com.google.protobuf:protobuf-java:3.9.1' 5.将Java对象转为ProtoBuf数据 Message.Person.Phone.Builder phoneBuilder = Message.Person.Phone.newBuilder(); Message.Person.Phone phone1 = phoneBuilder .setNumber("100860") .setType(Message.Person.PhoneType.HOME) .build(); Message.Person.Phone phone2 = phoneBuilder .setNumber("100100") .setType(Message.Person.PhoneType.MOBILE) .build(); Message.Person.Builder personBuilder = Message.Person.newBuilder(); personBuilder.setId(1994); personBuilder.setName("XIAOLEI"); personBuilder.addPhone(phone1); personBuilder.addPhone(phone2); Message.Person person = personBuilder.build(); long old = System.currentTimeMillis(); byte[] buff = person.toByteArray(); System.out.println("ProtoBuf 编码耗时：" + (System.currentTimeMillis() - old)); System.out.println(Arrays.toString(buff)); System.out.println("ProtoBuf 数据长度:" + buff.length); 6.将ProtoBuf数据，转换回Java对象 System.out.println("-开始解码-"); old = System.currentTimeMillis(); Message.Person personOut = Message.Person.parseFrom(buff); System.out.println("ProtoBuf 解码耗时：" + (System.currentTimeMillis() - old)); System.out.printf("Id:%d, Name:%s\n", personOut.getId(), personOut.getName()); List<Message.Person.Phone> phoneList = personOut.getPhoneList(); for (Message.Person.Phone phone : phoneList) { System.out.printf("手机号:%s (%s)\n", phone.getNumber(), phone.getType()); } 比较为了能体现ProtoBuf的优势，我写了同样结构体的Java类，并且将Java对象转换成JSON数据，来与ProtoBuf进行比较。JSON编译库使用Google提供的GSON库，JSON的部分代码就不贴出来了，直接展示结果比较结果运行 1 次【 JSON 开始编码】 JSON 编码1次，耗时：22ms JSON 数据长度:106 -开始解码- JSON 解码1次，耗时：1ms 【 ProtoBuf 开始编码】 ProtoBuf 编码1次,耗时：32ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码1次,耗时：3ms 运行 10 次【 JSON 开始编码】 JSON 编码10次，耗时：22ms JSON 数据长度:106 -开始解码- JSON 解码10次，耗时：4ms 【 ProtoBuf 开始编码】 ProtoBuf 编码10次,耗时：29ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码10次,耗时：3ms 运行 100 次【 JSON 开始编码】 JSON 编码100次，耗时：32ms JSON 数据长度:106 -开始解码- JSON 解码100次，耗时：8ms 【 ProtoBuf 开始编码】 ProtoBuf 编码100次,耗时：31ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码100次,耗时：4ms 运行 1000 次【 JSON 开始编码】 JSON 编码1000次，耗时：39ms JSON 数据长度:106 -开始解码- JSON 解码1000次，耗时：21ms 【 ProtoBuf 开始编码】 ProtoBuf 编码1000次,耗时：37ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码1000次,耗时：8ms 运行 1万次【 JSON 开始编码】 JSON 编码10000次，耗时：126ms JSON 数据长度:106 -开始解码- JSON 解码10000次，耗时：93ms 【 ProtoBuf 开始编码】 ProtoBuf 编码10000次,耗时：49ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码10000次,耗时：23ms 运行 10万次【 JSON 开始编码】 JSON 编码100000次，耗时：248ms JSON 数据长度:106 -开始解码- JSON 解码100000次，耗时：180ms 【 ProtoBuf 开始编码】 ProtoBuf 编码100000次,耗时：51ms ProtoBuf 数据长度:34 -开始解码- ProtoBuf 解码100000次,耗时：58ms 总结编解码性能上述栗子只是简单的采样，实际上据我的实验发现次数在1千以下，ProtoBuf 的编码与解码性能，都与JSON不相上下，甚至还有比JSON差的趋势。次数在2千以上，ProtoBuf的编码解码性能，都比JSON高出很多。次数在10万以上，ProtoBuf的编解码性能就很明显了，远远高出JSON的性能。内存占用 ProtoBuf的内存34，而JSON到达106 ，ProtoBuf的内存占用只有JSON的1/3. 结尾其实这次实验有很多可待优化的地方，就算是这种粗略的测试，也能看出来ProtoBuf的优势。兼容新增字段在proto文件中新增 nickname 字段生成Java文件用老proto字节数组数据，转换成对象 Id:1994, Name:XIAOLEI 手机号:100860 (HOME) 手机号:100100 (MOBILE) getNickname= 结果，是可以转换成功。删除字段在proto文件中删除 name 字段生成Java文件用老proto字节数组数据，转换成对象 Id:1994, Name:null 手机号:100860 (HOME) 手机号:100100 (MOBILE) 结果，是可以转换成功。来源：my.oschina.net/xiaolei123/blog/3085607

2020-12-07

Beanutils造成dubbo反序列化失败？

那看来真相大白了，原来是dubbo反序列化的时候将AddEmployeeDTO$Employee 转换为HashMap了。

2020-09-16

VBA反序列化Json并填充

VBA部分 Function JsonToObject(str) Set myJs = CreateObject("MSScriptControl.ScriptControl") myJs.Language = "javascript" Set myObject = myJs.Eval("eval(" & str & ")") Set myJs = Nothing Set JsonToObject = myObject End Function Sub FillingData() Set mySheet = ActiveSheet Let myIndex = 1 Let lieming = Array("c1", "c2", "c3") For Each a In lieming mySheet.Cells(1, myIndex) = CStr(a) myIndex = myIndex + 1 Next a Let myIndex = 1 Let str1 = "[{'c1':'服务品质','c2temp':[{'c3':'IRR','c2temp':['投诉处理平均时长','保全变更完成率','保全处理平均时长','理赔服务时效']},{'c3':'服务评价','c2temp':['投诉处理平均时长','保全变更完成率','保全处理平均时长','理赔服务时效']}]},{'c1':'保单品质','c2temp':[{'c3':'IRR','c2temp':['投诉处理平均时长','保全变更完成率','保全处理平均时长','理赔服务时效']},{'c3':'服务评价','c2temp':['投诉处理平均时长','保全变更完成率','保全处理平均时长','理赔服务时效']}]}]" Set object1 = JsonToObject(str1) With mySheet For Each a In object1 For Each b In a.c2temp For Each c In b.c2temp myIndex = myIndex + 1 .Cells(myIndex, 1) = a.c1 .Cells(myIndex, 2) = CStr(c) .Cells(myIndex, 3) = b.c3 ' Debug.Print a.c1&; b.c3&; c Next c Next b Next a End With Set object1 = Nothing Set mySheet = Nothing End Sub JS部分 JSON.stringify(object);

2019-11-23

java反序列化漏洞入门分析

from=groupmessagehttps://www.anquanke.com/post/id/86932 JAVA序列化和反序列化的一个例子 package ser; import java.io.FileInputStream

2018-09-06

Dubbo踩坑 -- 不能序列化HttpServletRequest

原因查找了一下这个类发现它确实是没有序列化 public class StandardMultipartHttpServletRequest extends AbstractMultipartHttpServletRequest

2018-08-30

序列化Parcelable和Serializable的区别

实现了Parcelable接囗的类依赖于Parcel这个类来实现数据传递，它并不是一个一般化用途的序列化机制，主要用于IPC机制下的高性能传输。

2018-08-29

Java序列化技术即将被废除！！！

如果你还不熟悉 Java 序列化技术，请详细阅读《关于Java序列化你应该知道的一切》这篇文章。

2018-05-29

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。