ollvm 的安装和配置教程
2025-04-25 08:30:14作者:虞亚竹Luna
1. 项目的基础介绍和主要的编程语言
ollvm(Obfuscated LLVM)是基于LLVM的一个分支,它添加了一些用于代码混淆的特性。LLVM(Low-Level Virtual Machine)是一个模块化和可重用的编译器和工具链技术的集合。ollvm通过修改LLVM的-pass选项来支持代码混淆,使得生成的代码更难被逆向工程。该项目主要用于提高软件的安全性,防止未经授权的分析和修改。ollvm的主要编程语言是C++,同时也使用了一些C和Python代码。
2. 项目使用的关键技术和框架
- LLVM:ollvm基于LLVM框架,LLVM提供了一套丰富的API,使得对编译器进行扩展和修改变得相对容易。
- 代码混淆:ollvm添加了多种代码混淆技术,如控制流混淆、数据混淆等,以增强软件的安全性。
- 插件系统:ollvm允许开发者为LLVM编译器添加自定义的插件,以实现特定的混淆策略。
3. 项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装ollvm之前,需要确保系统中已经安装了以下依赖项:
- GCC 4.8或更高版本
- CMake 3.3.2或更高版本
- Python 2.7(用于一些构建脚本)
- LLVM 10.0.0或更高版本
安装步骤
-
克隆ollvm仓库
首先,使用Git克隆ollvm仓库到本地环境:
git clone https://github.com/OCamlPro/ollvm.git cd ollvm -
安装依赖
根据你的操作系统,你可能需要安装一些额外的依赖。以下是以Ubuntu为例的依赖安装命令:
sudo apt-get update sudo apt-get install git build-essential cmake python2.7 libncurses5-dev libncursesw5-dev -
编译LLVM
在ollvm目录中,需要先编译LLVM。以下是一个基本的编译命令:
mkdir build cd build cmake .. make这将编译LLVM及其所有依赖项。这个过程可能需要一些时间。
-
安装ollvm
编译完成后,你可以通过以下命令安装ollvm:
sudo make install -
测试安装
为了验证ollvm是否安装成功,可以尝试运行
llvm-config命令查看配置信息:llvm-config --version
如果上述步骤顺利完成,那么你已经成功安装了ollvm。接下来,你可以探索和尝试使用ollvm提供的各种混淆技术来增强你的代码安全性。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
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++
647
263
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
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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