CALL p256MulInternal<>(SB) VOR T0, T0, T2L VOR T1, T1, T2H // X=U1; Y- ; MUL; U1=T // U1 = U1*T1 VOR U1L, U1L, X0 VOR U1H, U1H, X1 CALL p256MulInternal<>(SB) VOR T0, T0, U1L VOR T1, T1, U1H // X=R ; Y=R ; MUL; T- // X3 = R*R VOR RL, RL, X0 // VOR RH, RH, X1 VOR RL, RL, Y0 // RH was saved above using STXVD2X LXVD2X (R1)(R17), X1 VOR X1, X1, Y1 // VOR RH, RH, Y1 CALL p256MulInternal<>(SB) // SUB(T<T-T2) // X3 = X3-T2 p256SubInternal(T1,T0,T1,T0,T2H,T2L) // ADD(X<U1+U1) // T1 = 2*U1 p256AddInternal(X1...

Wenn Sie bereits ein **FastAPI Cloud**-Konto haben (wir haben Sie von der Warteliste eingeladen 😉), können Sie Ihre Anwendung mit einem Befehl deployen.

Vor dem Deployen, stellen Sie sicher, dass Sie eingeloggt sind:

<div class="termy">

```console
$ fastapi login

You are logged in to FastAPI Cloud 🚀
```

</div>

<!-- /sponsors -->

[Andere Sponsoren](https://fastapi.tiangolo.com/de/fastapi-people/#sponsors)

## Meinungen { #opinions }

„_[...] Ich verwende **FastAPI** heutzutage sehr oft. [...] Ich habe tatsächlich vor, es für alle **ML-Services meines Teams bei Microsoft** zu verwenden. Einige davon werden in das Kernprodukt **Windows** und einige **Office**-Produkte integriert._“

CALL p256MulInternal<>(SB) VOR T0, T0, T2L VOR T1, T1, T2H // X=U1; Y- ; MUL; U1=T // U1 = U1*T1 VOR U1L, U1L, X0 VOR U1H, U1H, X1 CALL p256MulInternal<>(SB) VOR T0, T0, U1L VOR T1, T1, U1H // X=R ; Y=R ; MUL; T- // X3 = R*R VOR RL, RL, X0 // VOR RH, RH, X1 VOR RL, RL, Y0 // RH was saved above using STXVD2X LXVD2X (R1)(R17), X1 VOR X1, X1, Y1 // VOR RH, RH, Y1 CALL p256MulInternal<>(SB) // SUB(T<T-T2) // X3 = X3-T2 p256SubInternal(T1,T0,T1,T0,T2H,T2L) // ADD(X<U1+U1) // T1 = 2*U1 p256AddInternal(X1...

* und keine Authentifizierungsdaten senden.

Diese Art von Angriff ist vor allem relevant, wenn:

* die Anwendung lokal läuft (z. B. auf `localhost`) oder in einem internen Netzwerk
* und die Anwendung keine Authentifizierung hat, sondern erwartet, dass jeder Request aus demselben Netzwerk vertrauenswürdig ist.

## Beispielangriff { #example-attack }

Stellen Sie sich vor, Sie bauen eine Möglichkeit, lokal einen KI-Agenten auszuführen.

Stellen wir uns vor, Sie verfügen über einige **Modelle für maschinelles Lernen**, die Sie zur Bearbeitung von Requests verwenden möchten. 🤖

Die gleichen Modelle werden von den Requests gemeinsam genutzt, es handelt sich also nicht um ein Modell pro Request, pro Benutzer, oder ähnliches.

Wie Sie unten sehen werden, ähnelt dies sehr dem Verhalten vor Version 0.106.0, jedoch mit mehreren Verbesserungen und Bugfixes für Sonderfälle.

///

#### Anwendungsfälle mit frühem Exit-Code { #use-cases-with-early-exit-code }

Es gibt einige Anwendungsfälle mit spezifischen Bedingungen, die vom alten Verhalten profitieren könnten, den Exit-Code von Abhängigkeiten mit `yield` vor dem Senden der Response auszuführen.

Stellen wir uns jetzt vor, dass es sich hierbei nicht um „nebenläufige Hamburger“, sondern um „parallele Hamburger“ handelt.

Sie gehen los mit Ihrem Schwarm, um paralleles Fast Food zu bekommen.

Sie stehen in der Schlange, während mehrere (sagen wir acht) Kassierer, die gleichzeitig Köche sind, die Bestellungen der Leute vor Ihnen entgegennehmen.

Aus diesem Grund verwendeten Versionen von FastAPI vor 0.99.0 immer noch Versionen von OpenAPI vor 3.1.0.

///

### Pydantic- und FastAPI-`examples` { #pydantic-and-fastapi-examples }

# Geschichte, Design und Zukunft { #history-design-and-future }

Vor einiger Zeit fragte [ein **FastAPI**-Benutzer](https://github.com/fastapi/fastapi/issues/3#issuecomment-454956920):

> Was ist die Geschichte dieses Projekts? Es scheint aus dem Nichts in ein paar Wochen zu etwas Großartigem geworden zu sein [...]

Hier ist ein wenig über diese Geschichte.

## Alternativen { #alternatives }