U3D如何做代码混淆

Posted 2023-04-11

Unity代码混淆方案
内容提要：Unity引擎下的代码保护，由于Unity引擎的一些特殊性，实行起来较为复杂，在国内外业界并没有现成的方案。笔者通过在《QQ乐团》项目上的实际尝试，得出了一种具体可行，能够有效保护代码逻辑的方案。特此分享给关注Unity引擎的项目，希望能提供一些的参考。
背景
Unity引擎上的程序执行在Mono运行时上，使用Mono编译出的程序集格式与.NET标准一致。C#是Unity引擎下主要的开发语言，它具备不少高级语言特性，如反射、元数据、内置序列化等。但C#同时也是很容易被反编译的语言，如果不采用任何保护措施，使用常用的工具（.NET Reflector）便能很容易得到可二次编译的代码。对项目运营带来了比较大的风险。
.NET平台下通常的保护手段是混淆编译出的程序集。VisualStudio自带了一个混淆工具Dotfuscator可以对程序集进行混淆。功能包括名称修改，流程混淆，字符串加密等。经过Dotfuscator混淆后的程序集，能够避免被常用反编译工具破解。变量的表意性被破坏，同时函数的内部流程也被混淆（如下[B1] ）。能有效起到保护源代码的效果。
publicclass181: 218

// Fields
publicuint0;
publicushort1;
publicstaticreadonlyuint2;
publicstaticreadonlyuint3;
// Methods
static181();
public181();
public95.02();
public95.02(ref515A_0, uintA_1);
public95.02(79A_0, refuintA_1);
public95.02(ref79A_0, uintA_1);
public95.02(byte[] A_0, intA_1, refuintA_2);
public95.02(ref481A_0, intA_1, charA_2);
public95.02(refstringA_0, intA_1, charA_2);
public95.02(refbyte[] A_0, intA_1, refintA_2, uintA_3);
public95.03(ref79A_0, uintA_1);
public95.03(refbyte[] A_0, intA_1, refintA_2, uintA_3);
public95.04(refbyte[] A_0, intA_1, refintA_2, uintA_3);

public95.00(refsbyteA_0, intA_1)

// This item is obfuscated and can not be translated.
goto Label_0006;
if(1!= 0)


95.0local= 95.0.0;
bytenum= 0;
local = this.0(refnum,A_1);
A_0 = (sbyte) num;
returnlocal;
Unity引擎下，Mono编译出的程序集，由于采用与.NET相同的格式标准。能够直接被Dotfuscator混淆。但Unity引擎有一些特殊的地方，使混淆工作与一般的.NET程序存在差异。第三节将主要讨论这些特殊点。
Unity引擎下代码混淆的特殊性
代码被资源引用[B2] 。Unity的可视化编辑特性在设计上的关键之处在于使代码能够以组件的形式依附到资源实例上。相比传统游戏，Unity的两类资源（scene和prefab）不仅包括数据，还包括附加在资源上的类对象。也就是说，这两类资源的存储格式中存在唯一标识某代码类型的数据。混淆流程必须不破环这种对应关系才能使资源上的代码逻辑正确被执行。（Unity这样设计的意义并不是本文讨论的重点，而另一篇分享个人对Unity可视化编辑的理解的文章中将会详细说明。）
发布到Web的Unity项目，在生成播放器可执行包（*.unity）的接口中，将编译程序集和打包这两个步骤捆绑在的一起。我们没办法像普通.NET程序那样，对编译出的程序集进行混淆后再打到播放器可执行包中。
UnityEngine按函数名进行调用。MonoBehaviour是Unity引擎的一个重要的组件基类。其上的很多方法，Unity是通过方法名称进行访问的，如Awake、Start、Update等等。这些方法如果在混淆中被改名，将使方法调用失败。这个问题相对比较好处理，Dotfuscator的重命名功能提供了排除配置。我们只要得到继承于MonoBehaviour的所有类型，就能生成相应的排除配置，告知Dotfuscator不要对这些方法进行重命名。生成的配置节选如下[B3] ：
<option>xmlserialization</option>
<excludelist>
<type name="CEventMgr|CGameRoot|…|…" regex="true" excludetype="false">
<method name="Update"regex="true" />
<method name="LateUpdate"regex="true" />
<method name="FixedUpdate"regex="true" />
<methodname="Awake" regex="true" />
<customattributename="System.Runtime.CompilerServices.CompilerGeneratedAttribute"regex="true" />
<method name=".*"regex="true" />
<field name=".*"regex="true" />
</type>
<type name=".*"regex="true">
<customattributename="ANoRenameInObfuscate" regex="true" />
</type>
<type name=".*"excludetype="false" regex="true">
<method name=".*"regex="true">
<customattributename="ANoRenameInObfuscate" regex="true" />
</method>
</type>
思路
何时混淆？由于Web项目编译和打包的过程是捆绑在一起的，官方没有提供独立的接口。（之前有跟官方反馈，但目前官方并没有提供具体计划。）想自己来分析官方的打包格式是行不通并且不太科学的。仅剩的办法就是自己将代码编译成DLL，混淆之后再添加到Unity项目中。
顺着这条思路，笔者在《QQ乐团》项目上作了尝试。将项目中所有执行相关的代码（不包括编辑器扩展的代码）移出，指定相关的Unity依赖库，编译成DLL。再将此DLL复制到原项目中。这时意料之中的事情发生了——项目中所有资源上的代码引用全部丢失。为了找到资源对代码的映射形式，笔者调整Unity编辑器的设定，将资源的序列化格式改为文本格式，并进行对比分析。发现资源中是通过一个GUID来对应具体代码的[B4] 。（如下）
m_ObjectHideFlags: 1
m_PrefabParentObject: fileID: 0
m_PrefabInternal: fileID: 100100000
m_GameObject: fileID: 100000
m_Enabled: 1
m_EditorHideFlags: 0
m_Script: fileID:11500000, guid: 8ae38faa3fc9f91418a5a9872bcc4b0f, type: 1
m_Name:
mInt: 1
mFloat: .5
中的类型虽然还没有进行过混淆，但GUID已经发生了变化。将新的GUID替换到资源文件中，引用关系果然恢复了。
Unity引擎下的特殊问题都是可以解决的。于是顺着这思路，开发了若干工具，得到了前后GUID的对应关系，并扫描所有资源以进行GUID的替换。另一方面，在混淆之后，类型的变量名发生了改变，资源中变量名赋有具体的值，也需要替换资源中的变量名对应到混淆后的变量名。这一切花费了不少的精力，终于是把工具都做成了。
然而人算不如天算，最终导致此方案走进死角的是一个之前很难意料到的问题：Unity引擎在处理DLL中的模版类型时存在缺陷——DLL中的模版类型没有GUID，不能被资源所引用。这个问题在Unity官方网站上有少量反馈，而官方承认了这个bug，且没有给出解决方案。而《QQ乐团》的项目在UI操作上比较广泛地使用了模版类型，去除模版的使用谈何容易。就这样，这么一个不经意的问题为这个尝试的方向画上了句号。
“系着枷锁跳舞”，这句话是形容的是在各种条件约束下尽可能的追求解决方案的一种状态。总结之前的失败，最终还是找到了实际可行的改进方案，并成功应用到《QQ乐团》的Web版本和微客户端版本上。
最终的思路是将项目进行分层。独立出一个不被资源引用的，包含最敏感的协议解析和各个系统模块的“逻辑层”，将逻辑层的代码独立编译成一个DLL，进行混淆再包含到项目中。逻辑层之外的代码主要包括被资源引用到的，或是系统模块部分接口定义这样的不太敏感的内容，姑且称为“行为层”。为了让逻辑层可以独立编译，我们要求逻辑层可对行为层进行引用，而行为层则只能通过留在行为层的逻辑层接口访问逻辑层。这样我们就保护了我们最重要的代码，同时绕过了资源引用代码的问题。
这个方案对项目架构提出了一定的要求。一是要求敏感代码和资源保持独立，需要一个框架来加载各个模块，而不是直接将模块代码直接附在场景物体的资源中。二是要求层次清晰，不允许反向依赖。有利于《QQ乐团》项目的消息是，《QQ乐团》从最早期就实现了一个较清晰的架构管理方法。因此花费了一定的时间进行分层，和实现接口访问机制后，就成功执行了这个方案。
实际混淆步骤。《QQ乐团》是使用VisualBuild来执行版本构建和发布流程的。以下介绍版本构建中混淆相关的流程：
从Unity项目的Assets目录中拷贝出逻辑层的代码目录（CodeGameLogic）。和编辑器扩展代码（避免混淆后编辑器扩展代码对逻辑层的依赖丢失导致编译出错）。
调用Unity.exe命令行编译剩余的行为层部分：
这个函数实际执行了：
BuildPipeline.BuildPlayer(new string[] "Assets/obfuscated.unity" , "WebPlayerObfuscated",
BuildTarget.WebPlayer, BuildOptions.None);
Editor程序集（也就是编辑器扩展程序集）时编译失败，中断编译过程，避免在BuildPlayer过程结束时构建生成的DLL被清理掉。BuildPlayer之前故意在Editor目录下弄一个错误的代码文件即可。
将生成的行为层DLL拷贝到逻辑层构建目录。行为层DLL的路径是在项目的Library/ScriptAssemblies下，有Assembly-CSharp.dll和Assembly-CSharp-firstpass.dll两个文件。另外也拷贝逻辑层依赖的其它DLL到构建目录，包括UnityEngine.dll，以及项目Plugins目录下的依赖库。
调用Mono的编译器mcs编译逻辑层DLL——CodeGameLogic.dll。编译命令如下：
生成DotObfuscator的配置文件”WebCfg.xml”。这里是用自己编写的工具，扫描CodeGameLogic.dll中的类型，得到不能被混淆的类型名和方法名，加入到配置文件的排出列表中。如“三。3”小节所示。
调用DotObfuscator对CodeGameLogic.dll执行混淆，得到混淆后的CodeGameLogic.dll：
将混淆后的CodeGameLogic.dll拷贝到项目中，然后构建项目。这里要注意的是，如果是构建Web项目，需要将dll拷贝到Plugins目录。如果是Standalone（即客户端）项目，直接拷贝到Assets目录下即可。另外，这次构建是不可以有编译错误的，所以第1部需要移除Editor目录下的编辑器扩展的代码。
接下来将构建好的项目与资源合并，就可以得到完整的混淆版本。
总结：
Unity项目的代码反编译较为容易。需要在重视代码混淆工作。
Unity项目的代码混淆方案实施起来限制较多。本文介绍的方案是笔者知晓的目前唯一可用的混淆方案。对项目的架构分层有强制性的要求。最好是在项目初期就考虑如何对项目进行分层，将需要保护的内容放置在被混淆的层中。 参考技术A 提供几个代码混淆方案:
1.Unity官方提供代码混淆服务,收费的
2.CodeGuard.unitypackage插件,出包是混淆,方便,提供多种混淆选择,灵活,插件有破解版,测试可行,个人比较推荐.
3.Crypto Obfuscator for .Net,但是不支持Mac

如何打印图像分类器的混淆矩阵（CIFAR-10）

【中文标题】如何打印图像分类器的混淆矩阵（CIFAR-10）

【英文标题】：how to print confusion matrix for image classifier (CIFAR-10)

【发布时间】：2019-09-19 08:04:00

【问题描述】：

我有一个图像分类器，在 tensorflow 中训练，tflearn 在 cifar 10 数据集上。它完全正常工作。现在我需要创建它的混淆矩阵。我不知道该怎么做。我在谷歌上搜索过它，但不能真正理解它。以下是我的图像分类器代码：

from __future__ import division, print_function, absolute_import
import tensorflow as tf
import tflearn
from tflearn.data_utils import shuffle, to_categorical
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.estimator import regression
from tflearn.data_preprocessing import ImagePreprocessing
from tflearn.data_augmentation import ImageAugmentation
import numpy as np
import cv2
from tqdm import tqdm
import os
import matplotlib.pyplot as plt

TRAIN_DIR = '../input/dataset/Train'
TEST_DIR = '../input/dataset/Test'
IMG_SIZE=32
def create_label(image_name):
    """ Create an one-hot encoded vector from image name """
    word_label = image_name.split('_')[1:2]
    word_label = word_label[0].split('.')[0:1]
    word_label = word_label[0]
    if word_label == 'cat':
        return np.array([1, 0, 0, 0, 0, 0, 0, 0, 0, 0])
    elif word_label == 'dog':
        return np.array([0, 1, 0, 0, 0, 0, 0, 0, 0, 0])
    elif word_label == 'automobile':
        return np.array([0, 0, 1, 0, 0, 0, 0, 0, 0, 0])
    elif word_label == 'airplane':
        return np.array([0, 0, 0, 1, 0, 0, 0, 0, 0, 0])
    elif word_label == 'ship':
        return np.array([0, 0, 0, 0, 1, 0, 0, 0, 0, 0])
    elif word_label == 'frog':
        return np.array([0, 0, 0, 0, 0, 1, 0, 0, 0, 0])
    elif word_label == 'truck':
        return np.array([0, 0, 0, 0, 0, 0, 1, 0, 0, 0])
    elif word_label == 'bird':
        return np.array([0, 0, 0, 0, 0, 0, 0, 1, 0, 0])
    elif word_label == 'horse':
        return np.array([0, 0, 0, 0, 0, 0, 0, 0, 1, 0])
    elif word_label == 'deer':
        return np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 1])

def create_train_data():
    training_data = []
    for img in tqdm(os.listdir(TRAIN_DIR)):
        path = os.path.join(TRAIN_DIR, img)
        img_data = cv2.imread(path, cv2.IMREAD_GRAYSCALE)
        img_data = cv2.resize(img_data, (IMG_SIZE, IMG_SIZE))
        training_data.append([np.array(img_data), create_label(img)])
    shuffle(training_data)
    np.save('train_data1.npy', training_data)
    return training_data

def create_test_data():
    testing_data = []
    for img in tqdm(os.listdir(TEST_DIR)):
        path = os.path.join(TEST_DIR, img)
        img_num = img.split('.')[0]
        img_data = cv2.imread(path, cv2.IMREAD_GRAYSCALE)
        img_data = cv2.resize(img_data, (IMG_SIZE, IMG_SIZE))
        testing_data.append([np.array(img_data), create_label(img)])

    shuffle(testing_data)
    np.save('test_data1.npy', testing_data)
    return testing_data

# If dataset is not created:
train_data = create_train_data()
test_data = create_test_data()

#train_data = np.load('train_data1.npy')
#test_data = np.load('test_data1.npy')
train = train_data[:40000]
val = train_data[-40000:]
test = test_data[:10000]
X_train = np.array([i[0] for i in train]).reshape(-1, IMG_SIZE,  IMG_SIZE, 1)
y_train = [i[1] for i in train]
X_val = np.array([i[0] for i in val]).reshape(-1, IMG_SIZE, IMG_SIZE, 1)
y_val = [i[1] for i in val]
X_test = np.array([i[0] for i in test]).reshape(-1, IMG_SIZE, IMG_SIZE, 1)
y_test = [i[1] for i in test]
y_train=np.array(y_train)
y_val=np.array(y_val)
y_test=np.array(y_test)
# Building The Model

X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_val = X_val.astype('float32')

# Real-time data preprocessing
img_prep = ImagePreprocessing()
img_prep.add_featurewise_zero_center()
img_prep.add_featurewise_stdnorm()

# Real-time data augmentation
img_aug = ImageAugmentation()
img_aug.add_random_flip_leftright()
img_aug.add_random_rotation(max_angle=25.)

# Convolutional network building
network = input_data(shape=[None, 32, 32, 1],
                 data_preprocessing=img_prep,
                 data_augmentation=img_aug)
network = conv_2d(network, 32, 3, activation='relu')
network = max_pool_2d(network, 2)
network = conv_2d(network, 64, 3, activation='relu')
network = conv_2d(network, 64, 3, activation='relu')
network = max_pool_2d(network, 2)
network = conv_2d(network, 64, 3, activation='relu')
network = conv_2d(network, 64, 3, activation='relu')
network = max_pool_2d(network, 2)
network = fully_connected(network, 512, activation='relu')
network = dropout(network, 0.5)
network = fully_connected(network, 10, activation='softmax')
network = regression(network, optimizer='adam',
                 loss='categorical_crossentropy',
                 learning_rate=0.001)

# Train using classifier
model = tflearn.DNN(network,tensorboard_dir='log', tensorboard_verbose=0)
model.fit(X_train, y_train, n_epoch=2, shuffle=True, validation_set=(X_val, y_val),
      show_metric=True, run_id='cifar10_cnn')
score = model.evaluate(X_test, y_test)
print('Test Accuracy: %0.4f%%' % (score[0] * 100))

我希望是否有人可以帮助我绘制混淆矩阵并提供我需要的代码块，拜托。我必须在星期四提交它，我需要认真的帮助。 谢谢。

【参考方案1】：

我也被这个问题绊倒了。如果您对测试集中的每个样本都有一个预测标签数组，那么您可以使用 sklearn 绘制混淆矩阵。这很容易。 我已经使用更新的 tensorflow 库完成了它，并将代码发布在 https://rschandrastechblog.blogspot.com/2021/05/plotting-confusion-matrix-for-cifar10.html

我不知道您是否可以将其放入您的代码中，但您可以看看它。