新闻详情

新闻详情

首页 / 资讯中心 / 详情

【2018-05-19】TLS学习笔记-Base64

发布时间:2026/11/21 9:10:30来源:尧图网络
【2018-05-19】TLS学习笔记-Base64
[历史归档]本文原发布于 cstriker1407.info 个人博客内容为历史存档仅供参考。发布时间2018-05-19 标题TLS学习笔记-Base64分类编程 标签tls·base64TLS简单笔记-Base64参考链接《 http://www.cnblogs.com/chengmo/archive/2014/05/18/3735917.html 》《 https://www.cnblogs.com/christychang/p/5988384.html 》Base64编码是我们程序开发中经常使用到的编码方法。它是一种基于用64个可打印字符来表示二进制数据的表示方法。Base64是用64个可打印字符表示二进制所有数据方法。由于2的6次方等于64所以可以用每6个位元为一个单元对应某个可打印字符。我们知道三个字节有24个位元就可以刚好对应于4个Base64单元即3个字节需要用4个Base64的可打印字符来表示。在Base64中的可打印字符包括字母A-Z、a-z、数字0-9 这样共有62个字符此外两个可打印符号在不同的系统中一般有所不同。但是我们经常所说的Base64另外2个字符是“/”。转换的时候将三个byte的数据先后放入一个24bit的缓冲区中先来的byte占高位。数据不足3byte的话于缓冲区中剩下的bit用0补足。然后每次取出6个bit按照其值选择ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789/中的字符作为编码后的输出。不断进行直到全部输入数据转换完成。假设我们对Hello进行Base64编码按照ASCII表其转换过程如下图所示可知Hello的Base64编码结果为SGVsbG8h原始字符串长度为6个字符串编码后长度为8个字符每3个原始字符经编码成4个字符。但要注意Base64编码是每3个原始字符编码成4个字符如果原始字符串长度不能被3整除怎么办使用0来补充原始字符串。以Hello为例其转换过程为Hello!! Base64编码的结果为 SGVsbG8hIQAA 。最后2个零值只是为了Base64编码而补充的在原始字符中并没有对应的字符那么Base64编码结果中的最后两个字符 AA 实际不带有效信息所以需要特殊处理以免解码错误。标准Base64编码通常用 字符来替换最后的 A即编码结果为 SGVsbG8hIQ。因为 字符并不在Base64编码索引表中其意义在于结束符号在Base64解码时遇到 时即可知道一个Base64编码字符串结束。如果Base64编码字符串不会相互拼接再传输那么最后的 也可以省略解码时如果发现Base64编码字符串长度不能被4整除则先补充 字符再解码即可。解码是对编码的逆向操作但注意一点对于最后的两个 字符转换成两个A 字符再转成对应的两个6比特二进制0值接着转成原始字符之前需要将最后的两个6比特二进制0值丢弃因为它们实际上不携带有效信息。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉