SnoopWPF项目中注入RPC服务时的依赖加载问题解析
2025-07-02 11:01:25作者:丁柯新Fawn
问题背景
在使用SnoopWPF项目进行WPF应用程序注入时,开发者尝试将一个包含JSON-RPC服务的SimpleUIAutomation.dll注入到目标应用程序中。虽然注入过程本身成功执行,但在运行时却遇到了StreamJsonRpc程序集加载失败的问题。
核心问题分析
当通过SnoopWPF的注入机制将自定义DLL加载到目标应用程序时,.NET的默认程序集探测机制会从应用程序启动目录查找依赖项,而不是从注入DLL所在目录查找。这就导致了即使StreamJsonRpc.dll存在于注入DLL的同目录下,运行时仍然无法找到该依赖项。
技术原理
.NET程序集加载机制在解析依赖时遵循以下顺序:
- 首先检查GAC(全局程序集缓存)
- 然后检查应用程序基目录
- 最后检查配置文件指定的私有路径
在DLL注入场景中,注入的DLL及其依赖项通常位于与主应用程序不同的目录中,因此默认的探测机制无法定位这些依赖项。
解决方案
针对这个问题,可以采用以下几种解决方案:
方案一:显式加载依赖项
在注入的代码中,首先显式加载所需的依赖项:
// 在访问任何依赖项功能前加载
Assembly.LoadFrom(Path.Combine(
Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location),
"StreamJsonRpc.dll"));
方案二:处理AppDomain.AssemblyResolve事件
更健壮的解决方案是处理AppDomain的AssemblyResolve事件,自定义程序集解析逻辑:
AppDomain.CurrentDomain.AssemblyResolve += (sender, args) => {
var assemblyName = new AssemblyName(args.Name).Name;
if(assemblyName == "StreamJsonRpc") {
string path = Path.Combine(
Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location),
"StreamJsonRpc.dll");
return Assembly.LoadFrom(path);
}
return null;
});
方案三:合并依赖项
使用ILMerge等工具将依赖项合并到主DLL中,这样就不需要单独加载依赖项。
最佳实践建议
- 依赖管理:对于注入场景,建议将所有依赖项放在同一目录,并确保它们都能被正确加载
- 错误处理:在加载依赖项时添加适当的错误处理和日志记录
- 版本兼容性:确保注入的DLL与其依赖项的版本兼容
- 资源清理:对于需要清理的资源(如命名管道),确保有适当的释放机制
总结
在SnoopWPF等注入工具的使用过程中,依赖项加载是一个常见问题。理解.NET的程序集加载机制并采取适当的解决方案,可以确保注入的代码能够正确运行。显式加载依赖项是最直接的解决方案,而处理AssemblyResolve事件则提供了更灵活的依赖管理方式。开发者应根据具体场景选择最适合的解决方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137