이메일 인증 보완

- 인증을 신청한 기기 이외의 기기에서도 인증 답변 메일 확인

- 이메일에 인증용 암호 문자열을 전달

- 이메일 수신자가 메일을 열고 링크 클릭 > 암호 문자열을 다시 서버로

- 이메일을 보낼 때의 서버측 메소드와 암호 문자열을 다시 받을 때의 메소드는 다르다

- 이용자의 세션에 암호 문자열을 기억시키고 돌아왔을 때의 암호 문자열 비교

- 위의 절차가 모두 동일 시스템에서 실행된다면 아무런 문제가 없다

- 다른 시스템에서 실행된다면 문제가 발생한다(한개의 세션이 아닌 상황이 된다)

이메일 인증시 메일 내용에 암호 문자열, 세션 아이디를 함께 보낸다

String sid = session.getId();

String authrStr = UUID.randomUUID().toString().replaceAll("-","");

세션이 생성될 때마다 인지하여 컬렉션에 세션을 저장한다

- HttpSessionListener를 등록한다

- 세션이 생성될 때마다 Map<String,HttpSession> 컬렉션에 세션을 저장한다

컨트롤러에서 세션이 저장된 컬렉션을 사용하여 모든 세션에 접근할 수 있다

- @PathVariable("sid") String sid, @PathVariable("auth") String auth

- HttpSession ss = map.get(sid);

- String authStr = ss.getAttribute("auth");

- if (auth.equals(authStr)) { // 인증 성공 }

@WebListener // 웹 감청기, 웹에서 발생하는 어떤 이벤트를 감청하고 있는 클래스

public class HttpSessionHandler implements HttpSessionListener {

public static Map<String, HttpSession> map = new HashMap<>();

@Override

public void sessionCreated(HttpSessionEvent se) {

HttpSession s = se.getSession();

String sid = s.getId();

map.put(sid, s);

}

@Override

public void sessionDestroyed(HttpSessionEvent se) {

HttpSession s = se.getSession();

map.remove(s.getId());

}

컨트롤러에서 위의 map에 접근하고 사용하기

HttpSession original = HttpSessionHandler.map.get(sid);

HttpSession의 작동 원리

- Cookie

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() { return ( < div className = "App" > < Hello /> </ div > ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() { return ( < h1 > Hello, World! </ h1 > ); } export default Hello; Hello.css h1 { color : red; }

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...

다루한의 코딩공부

이 블로그 검색