活动介绍

Silverlight应用部署与相关技术详解

立即解锁
发布时间: 2025-08-26 01:42:04 阅读量: 15 订阅数: 46 AIGC
### Silverlight应用部署与相关技术详解 #### 1. Silverlight应用部署 理解Silverlight编译模型后,部署模型就容易掌握了。XAP文件是关键,它将应用的单元(应用清单和程序集)打包成一个整洁的容器。从技术上讲,XAP文件是一个ZIP存档。你可以将XAP文件(如SilverlightApplication1.xap)重命名为SilverlightApplication1.xap.zip来验证,之后就能打开存档查看内部文件。 XAP文件系统有两个明显的好处: - **内容压缩**:内容在到达客户端之前不会解压缩,减少了应用下载时间,对于包含大型静态资源(如图像或文本块)的应用尤为重要。 - **简化部署**:将Silverlight应用上线时,只需将XAP文件与包含Silverlight内容区域的测试页面或类似HTML文件(或ASP.NET网页)复制到Web服务器,无需跟踪程序集和资源。 部署简单的Silverlight应用时,借助XAP模型,无需过多思考。托管Silverlight应用只需提供合适的XAP文件,让客户端通过浏览器下载并在本地运行。 #### 2. Silverlight反编译 了解Silverlight项目的基础架构后,就可以对现有应用进行反编译以了解其工作原理,步骤如下: 1. 访问HTML测试页面。 2. 查看网页源代码,查找指向XAP文件的`<param>`元素。 3. 在浏览器地址栏输入XAP文件请求(保持相同域名,用指向XAP文件的部分路径替换页面名称)。 4. 选择“另存为”将XAP文件保存到本地。 5. 重命名XAP文件添加`.zip`扩展名,然后打开并提取项目程序集。该程序集与普通.NET应用程序的程序集基本相同,包含中间语言(IL)代码。 6. 使用Reflector(www.red - gate.com/products/reflector)等工具打开项目程序集,查看IL和嵌入式资源。使用合适的插件,甚至可以将IL反编译为C#语法。 当然,很多Silverlight开发者不赞成这种行为,但这是Silverlight编译模型不可避免的副作用。由于IL代码容易被反编译或逆向工程,不适合存储机密信息(如加密密钥、专有算法等)。如果需要执行使用敏感代码的任务,可以考虑从Silverlight应用调用Web服务。若想防止他人读取代码和模仿风格,可以使用混淆工具提高门槛,Visual Studio附带了一个简化版的混淆工具Dotfuscator,市场上也有很多商业工具可供选择。 #### 3. Silverlight核心程序集 Silverlight包含完整.NET Framework的部分类。虽然无法将整个.NET Framework塞进Silverlight(毕竟它是一个5MB的下载包,需要支持多种浏览器和操作系统),但它包含了相当多的功能。 每个Silverlight项目都从引用以下程序集开始,这些程序集都是Silverlight运行时的一部分,无需随应用部署: | 程序集名称 | 描述 | | --- | --- | | mscorlib.dll | 相当于.NET Framework中包含最基本部分的mscorlib.dll程序集,包含核心数据类型、异常、接口、集合、文件管理类等,支持全球化、反射、资源、调试和多线程。 | | System.dll | 包含额外的泛型集合、处理URI的类和处理正则表达式的类。 | | System.Core.dll | 支持LINQ,名称与完整.NET Framework中的程序集匹配。 | | System.Net.dll | 包含支持网络的类,可用于下载网页和创建基于套接字的连接。 | | System.Windows.dll | 包含许多用于构建Silverlight用户界面的类,包括基本元素、形状和画笔、支持动画和数据绑定的类,以及与隔离存储配合使用的OpenFileDialog版本。 | | System.Windows.Browser.dll | 包含与HTML元素交互的类。 | | System.Xml.dll | 包含XML处理所需的最少类:XmlReader和XmlWriter。 | 需要注意的是,Silverlight程序集中的一些成员仅可供.NET Framework代码使用,不能从你的代码中调用,这些成员标记有SecurityCritical属性,但该属性不会在对象浏览器中显示,只有尝试使用时才能确定特定功能是否可用(若尝试使用带有SecurityCritical属性的成员,会抛出SecurityException)。例如,Silverlight应用只能通过隔离存储API或OpenFileDialog类访问文件系统,因此FileStream类的构造函数带有SecurityCritical属性。 #### 4. Silverlight附加程序集 Silverlight的架构师致力于使核心框架尽可能小,这样初始Silverlight插件下载小、安装快,对全球网民有明显吸引力。为实现这一目标,他们将一些功能从核心Silverlight运行时移除,放入单独的附加程序集中。这些程序集仍被视为Silverlight平台的一部分,但使用时需要将其与应用打包,这会增加应用的下载大小(不过Silverlight的内置压缩可缓解这一影响)。 常见的附加程序集如下: - **System.Windows.Controls.dll**:包含许多有价值但更专业的控件,如TreeView、TabControl、两个日期控件(DatePicker和Calendar)和GridSplitter。 - **System.Windows.Controls.Data.dll**:有Silverlight从头构建的DataGrid,是显示密集数据网格的理想工具,还有DataPager,可将结果拆分为可单独查看的组(称为页面)。 - **System.Windows.Controls.Data.Input.dll**:包含一些在构建数据绑定表单时有用的控件,如Label、DescriptionViewer和ValidationSummary。 - **System.Windows.Controls.Input.dll**:包含AutoCompleteBox,用户输入时会下拉显示建议列表。 - **System.Windows.Controls.Navigation.dll**:包含Frame和Page控件,是Silverlight导航系统的基础。 所有这些程序集都会为Silverlight工具包添加新控件。Microsoft还通过Silverlight工具包提供了更多附加控件,可从www.codeplex.com/Silverlight下载。当你将附加程序集中的控件添加到Silverlight页面时,Visual Studio会自动添加所需的程序集引用。选择该引用并查看“属性”窗口,会发现“复制本地”属性设置为True,这与构成核心Silverlight运行时的其他程序集不同。因此,编译应用时,程序集会嵌入最终包中。即使手动添加非核心Silverlight运行时的程序集,Visual Studio也会自动将“复制本地”设置为True。 #### 5. 程序集缓存 程序集缓存是一种部署技术,可将依赖程序集从XAP文件中分离出来。将依赖程序集与XAP文件一起部署,放在同一文件夹的单独ZIP文件中。目的是让客户端缓存常用程序集,以减少应用启动时间。 默认情况下,在Visual Studio中创建的Silverlight应用未配置使用程序集缓存。要启用此功能,可按以下步骤操作: 1. 双击解决方案资源管理器中的“属性”节点。 2. 在项目属性窗口中,开启“使用应用程序库缓存减少XAP大小”设置。 3. 重新编译应用,点击解决方案资源管理器顶部的“显示所有文件”按钮,展开Bin\Debug文件夹,会看到每个可缓存程序集的ZIP文件。例如,若应用使用System.Windows.Controls.dll,会在XAP文件旁边看到名为System.Windows.Controls.zip的文件,该文件包含System.Windows.Controls.dll程序集的压缩副本。启用程序集缓存前包含该程序集的XAP文件,现在不再包含它
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

李_涛

知名公司架构师
拥有多年在大型科技公司的工作经验,曾在多个大厂担任技术主管和架构师一职。擅长设计和开发高效稳定的后端系统,熟练掌握多种后端开发语言和框架,包括Java、Python、Spring、Django等。精通关系型数据库和NoSQL数据库的设计和优化,能够有效地处理海量数据和复杂查询。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

自适应复杂网络结构中的同步现象解析

# 自适应复杂网络结构中的同步现象解析 ## 1. 引言 在复杂的动力学网络中,同步现象一直是研究的重点。我们将主稳定性方法拓展到由 $N$ 个扩散且自适应耦合的振荡器组成的复杂网络中。通过对自适应耦合相位振荡器这一典型模型的研究,我们发现了由于稳定性岛屿的存在而导致的多簇现象的出现。接下来,我们将深入探讨相关内容。 ## 2. 自适应耦合振荡器网络模型 考虑一个由 $N$ 个扩散且自适应耦合的振荡器组成的网络,其形式如下: \(\dot{x}_i = f (x_i(t)) - \sigma \sum_{j = 1}^{N} a_{ij} \kappa_{ij} G(x_i - x_j)\

具有多重时滞和不确定参数的CRDNNs的无源性与同步性研究

# 具有多重时滞和不确定参数的 CRDNNs 的无源性与同步性研究 ## 1. 引言 在神经网络的研究领域中,具有多重时滞和不确定参数的连续反应扩散神经网络(CRDNNs)的无源性和同步性是重要的研究课题。无源性能够保证系统的稳定性和能量特性,而同步性则在信息处理、通信等领域有着广泛的应用。本文将深入探讨 CRDNNs 的无源性和同步性相关问题,包括理论分析和数值验证。 ## 2. 无源性判据 ### 2.1 输出严格无源性条件 当满足以下矩阵不等式时,网络(9.17)具有输出严格无源性: \[ \begin{bmatrix} W_6 & \Xi_2 \\ \Xi_2^T & W_7 \e

OpenVX:跨平台高效编程的秘诀

### OpenVX:跨平台高效编程的秘诀 #### 1. OpenCL 互操作性扩展 OpenCL 互操作性扩展为 OpenVX 内的应用程序和用户算法提供了高效实现的支持,具备以下六个关键特性: - 共享一个通用的 `cl_context` 对象,供 OpenVX 和 OpenCL 应用程序使用。 - 共享一组有序的 `cl_command_queue` 对象,用于 OpenVX 和 OpenCL 应用程序/用户内核之间的协调。 - 允许 OpenCL 应用程序将 `cl_mem` 缓冲区导出到 OpenVX。 - 允许 OpenCL 应用程序从 OpenVX 收回导出的 `cl_mem

利用大数据进行高效机器学习

### 利用大数据进行高效机器学习 #### 1. 集群管理与并行计算基础 在处理大数据时,集群的使用至关重要。当集群任务完成后,终止其派生的进程能释放每个节点占用的资源,使用如下命令: ```R stopCluster(cl1) ``` 对于大规模的大数据问题,还可以进行更复杂的`snow`配置,例如配置Beowulf集群(由多个消费级机器组成的网络)。在学术和行业研究中,若有专用计算集群,`snow`可借助`Rmpi`包访问高性能消息传递接口(MPI)服务器,但这需要网络配置和计算硬件方面的知识。 #### 2. 使用`foreach`和`doParallel`实现并行计算 `fore

HNPU-V1:自适应DNN训练处理器的技术解析与性能评估

### HNPU-V1:自适应DNN训练处理器的技术解析与性能评估 在深度学习领域,DNN(深度神经网络)训练处理器的性能对于提高训练效率和降低能耗至关重要。今天我们要介绍的HNPU - V1就是一款具有创新性的自适应DNN训练处理器,它采用了多种先进技术来提升性能。 #### 1. 稀疏性利用技术 在DNN训练过程中,会出现输入或输出稀疏性的情况。传统的输出零预测方法虽然可以同时利用输入和输出稀疏性,但会带来面积和能量开销。而HNPU - V1采用了独特的稀疏性利用技术。 ##### 1.1 切片级输入跳过(Slice - Level Input Skipping) - **原理**:

语音情感识别:预加重滤波器与清音影响分析

### 语音情感识别:预加重滤波器与清音影响分析 在语音情感识别领域,多种因素会影响识别的准确性和性能。本文将深入探讨预加重滤波器、清音去除等因素对语音情感分类的影响,并通过一系列实验来揭示不同特征向量大小、帧大小等参数在不同数据库中的表现。 #### 1. 清音去除 在语音情感识别中,通常会使用浊音和清音进行情感识别。然而,清音往往与语音信号记录中的噪声或静音区域具有相似的时间和频谱特征。为了探索去除清音后分类阶段的性能,我们使用自相关函数来去除每一帧中的清音。 具体步骤如下: 1. **自相关函数定义**:对于信号 $x(n)$ 从样本 $n$ 开始的一帧,其短时自相关函数定义为 $

网络数据上的无监督机器学习

### 网络数据上的无监督机器学习 在处理图数据时,机器学习(ML)并非必需,但它能带来很大的帮助。不过,ML的定义较为模糊,例如社区检测算法虽能自动识别网络中的社区,可被视为无监督ML,但NetworkX提供的一些方法虽类似却未得到数据科学界同等关注,因为它们未被明确称为图ML。 #### 1. 网络科学方法 在处理图数据时,有很多已掌握的方法可避免使用所谓的图ML: - **社区识别**:可以使用Louvain算法或直接查看连通分量。 - **枢纽节点识别**:使用PageRank算法,无需嵌入。 - **孤立节点识别**:使用`k_corona(0)`,无需ML。 - **训练数据创

SSH连接与操作全解析

# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公

言语节奏与大脑定时模式:探索神经机制与应用

# 言语节奏与大脑定时模式:探索神经机制与应用 ## 1. 大脑的预测性与时间维度 人类大脑是一个具有建设性的器官,它能够生成预测以调节自身功能,并持续适应动态环境。在这个过程中,运动和非运动行为的时间维度正逐渐被视为预测性偏差的关键组成部分。然而,编码、解码和评估时间信息以产生时间感和控制感觉运动定时的神经机制之间的复杂相互作用,仍然大部分是未知的。 ### 1.1 事件的时间与类型维度 个体和环境中的所有状态变化都会产生由类型(“是什么”)和时间(“何时”)定义的事件。为了成功地与不断变化的环境进行交互,人们需要不断适应这些事件的“是什么”和“何时”维度。人类不仅会对事件做出反应,还会

计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习

# 计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习 在计算机视觉领域,概率图模型是一种强大的工具,可用于处理复杂的概率关系。当数据不完整时,贝叶斯网络(BN)的参数学习和结构学习变得更具挑战性。本文将介绍不完整数据下BN参数学习和结构学习的方法。 ## 1. 不完整数据下的BN参数学习 在不完整数据中,变量 $Z_m$ 可能随机缺失或始终缺失。与完整数据情况类似,不完整数据下的BN参数学习也可通过最大似然法或贝叶斯法实现。 ### 1.1 最大似然估计 最大似然估计(ML)需要通过最大化边际似然来找到BN参数 $\theta = \{\theta_n\}_{n=1}^N$: $$