Wasabi 项目使用指南
1. 项目介绍
Wasabi 是一个用于动态分析 WebAssembly 二进制文件的框架。它基于二进制插桩技术,提供了对 WebAssembly 程序的动态分析能力。Wasabi 的核心功能包括 WebAssembly 解析器、插桩库和编码器,这些组件都是用 Rust 编写的。Wasabi 不仅适用于动态分析,还可以用于其他 WebAssembly 分析和插桩项目。
2. 项目快速启动
2.1 环境准备
在开始使用 Wasabi 之前,请确保您的系统已经安装了以下依赖:
- Git
- CMake
- GCC 或 Clang
- 现代浏览器(如 Firefox 或 Chrome)
- WebAssembly Binary Toolkit (WABT)
- Emscripten
- Rust 和 Cargo
2.2 安装 Wasabi
首先,克隆 Wasabi 仓库并进入项目目录:
git clone https://github.com/danleh/wasabi.git
cd wasabi/crates/wasabi
接下来,使用 Cargo 安装 Wasabi:
cargo install --path .
2.3 使用 Wasabi 进行插桩
假设您已经有一个 WebAssembly 文件 hello.wasm,您可以使用 Wasabi 对其进行插桩:
wasabi hello.wasm
这将生成两个文件:
out/hello.wasm: 插桩后的二进制文件out/hello.wasabi.js: Wasabi 加载器、运行时和生成的 JavaScript 代码
2.4 运行插桩后的程序
将插桩后的二进制文件和生成的 JavaScript 代码替换原始文件,并运行程序:
mv hello.wasm hello.orig.wasm
cp out/* .
然后,使用 Emscripten 生成的 HTML 文件运行程序:
emrun --no_browser --port 8080 .
在浏览器中打开 http://localhost:8080/hello.html,您将看到插桩后的程序运行结果。
3. 应用案例和最佳实践
3.1 日志分析
Wasabi 可以用于记录 WebAssembly 程序中所有指令的输入和输出。以下是一个简单的日志分析示例:
- 将
log-all.js分析脚本复制到项目目录:
cp /path/to/wasabi/analyses/log-all.js .
- 将分析脚本包含在 Emscripten 生成的 HTML 文件中:
sed -i '/<script src="hello.wasabi.js"><\/script>/a <script src="log-all.js"></script>' hello.html
- 再次运行程序,您将在浏览器控制台中看到详细的日志输出。
3.2 性能分析
Wasabi 还可以用于性能分析,通过插桩代码来收集程序的执行时间和其他性能指标。您可以编写自定义的分析脚本来收集这些数据。
4. 典型生态项目
4.1 WebAssembly Binary Toolkit (WABT)
WABT 是一个用于处理 WebAssembly 二进制文件的工具集,包括 wat2wasm、wasm2wat 和 wasm-objdump 等工具。Wasabi 依赖于 WABT 进行二进制文件的解析和转换。
4.2 Emscripten
Emscripten 是一个将 C/C++ 代码编译为 WebAssembly 的工具链。Wasabi 可以与 Emscripten 结合使用,对编译后的 WebAssembly 程序进行动态分析。
4.3 Rust
Wasabi 的核心组件是用 Rust 编写的,Rust 的强大性能和安全性使其成为 WebAssembly 开发的理想选择。Rust 社区也提供了丰富的工具和库,支持 WebAssembly 的开发和分析。
通过以上步骤,您可以快速上手 Wasabi 项目,并利用其强大的动态分析功能来优化和调试 WebAssembly 程序。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00