热修复原理浅析(一)

Robust热修复方案实现原理浅析 1.兼容性好:Robust采用Instant Run插桩的方案。2.实时生效,且修复率高。3.UI问题也可以通过动态添加和移除View等方式解决。 阅读详情

热修复解决的问题

  1. 刚发布就发现了严重的bug,需要及时修复
  2. 有些小功能需要及时地推送给用户,例如淘宝双十一,搞了点活动,想让用户马上就使用到,不需要用户去再次下载更新

热修复

如何从本质上实现热修复功能

下图摘自《深入探索Android热修复技术原理》


市面上的热修复方案


AndFix

流程简介

github

代码

gradle添加依赖

implementation 'com.alipay.euler:andfix:0.5.0@aar'//引入andfix

代码里初始化

public class MyApp extends Application {

    @Override
    public void onCreate() {
        super.onCreate();

        AndfixPatchManager.getInstance().initPatch(this);
    }
}
public class AndfixPatchManager {

    private static AndfixPatchManager mInstance = null;
    private static PatchManager mPatchManager = null;

    public static AndfixPatchManager getInstance() {

        if (mInstance == null) {

            synchronized (AndfixPatchManager.class) {
                if (mInstance == null) {
                    mInstance = new AndfixPatchManager();
                }
            }

        }

        return mInstance;

    }

    /**
     * 初始化andfix
     *
     * @param context
     */
    public void initPatch(Context context) {
        mPatchManager = new PatchManager(context);
        mPatchManager.init(Utils.getVersionName(context));
        mPatchManager.loadPatch();

    }

    /**
     * 加载Patch文件
     *
     * @param path
     */
    public void addPatch(String path) {
        if (mPatchManager != null) {
            try {
                mPatchManager.addPatch(path);
            } catch (IOException e) {
                e.printStackTrace();
            }
        }

    }
}
 private fun setListener() {

        create_bug.setOnClickListener {
            Utils.printBug(this)

        }


        fix_bug.setOnClickListener {
            AndfixPatchManager.getInstance().addPatch(getPatchName())

        }
    }
生成patch文件
  1. 先下载工具


2. 打包

> 必须打出签名后的apk

> 打一个有bug的apk

> 打一个修复bud的apk

使用工具生成apatch包
  1. 命令行:

./apkpatch.sh -f app-new.apk -t app-old.apk -o output/ -k keystore -p 111111 -a cjx -e 111111



  1. 把补丁文件放到手机里,注意路径必须是代码里指定的那个

  1. 安装有bug的apk


6. 开始操作
第一次点击按钮产生bug按钮,直接奔溃

第二次打开后,先点击第二个修复按钮,再点击第一个bug按钮,吐司弹出,log正常打印

流程

热修复原理

简单说市面上两种代码修复原理

我们目前只是谈代码修复,还没涉及到资源文件修复和so修复

Andfix底层置换原理

AndFix采用的是直接在已经加载的类中的native层替换掉原有的方法,实在原有类基础上进行修改的。

阅读了AndFix的java层源码,层层调用其核心在于replaceMethod这个函数,而这个函数是一个native层的函数,所以具体实现在C层,

private static native void replaceMethod(Method dest, Method src);

底层置换法大概就是这个样子

至于腾讯的类加载方案,就需要先补充点预热知识

  • dex
  • JVM
  • classLoader的源码
对接萤石平台调用播放 萤石api 管理 · 萤石开放平台API文档 httpclient pom <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.2</version> </dependency> package com.ruoyi... 阅读详情

相关推荐

Python实战:双色球历史数据爬取与可视化分析(附完整代码)

本文提供了一个完整的Python实战项目,教你如何利用requests库爬取双色球历史开奖数据,并使用pandas进行数据清洗与分析,最后通过matplotlib实现数据可视化。项目涵盖了从网络请求、数据处理到图表生成的全流程,是学习Python爬虫与数据分析的绝佳案例。

weixin_29091837的博客 673

360脱壳-native函数还原笔记-2017-06-25

本帖最后由 欧阳锋锋 于 2017-6-25 12:37 编辑       接触andorid逆向脱壳一段时间了,刚刚感觉开始入门,最开始时的过反调试,花费了大量的时间,但时间长了,汇编指令慢慢熟悉,学会了一些调 试技巧,反调试方法知道了,就那么些反调试的方法,过反调就比较顺利了,所以刚开始学逆向的同学,应该也会比较头疼的,记录下我的逆向学习之 旅,增强下记忆,记录分享也是自我提升的过程

omnispace的博客 2990

遥感新手别纠结!实测ENVI 5.3、5.6、6.0三个免费版,教你混搭安装避坑

本文为遥感新手提供ENVI 5.3、5.6、6.0三个免费版的实测对比与混搭安装指南,帮助用户构建零成本高效工作流。详细解析各版本功能差异、共存安装技巧及常见问题解决方案,特别适合课程作业、毕业论文分析和遥感入门练习。

weixin_30819085的博客 479

某数字公司VMP脱壳简记---native的OnCreate还原

360加固-脱壳修复 最近花了一些时间学习逆向脱壳,这方面一直投入的时间比较少。样本经过某加固宝进行加固,这里简单记录一下脱壳过程和思路,感谢某数字公司对安全加固的无私贡献,让我有机会小小的提高一下这方面的技能。 DUMP classes.dex 打开APK包中的classes.dex看一下: 已经变成了壳代{过}{滤}理,没有一点原APK的代码。在assets中,有两个壳相关的SO...

zhangmiaoping23的专栏 5734

基于8086微机原理数字钟计时器系统设计

*单片机设计介绍,基于8086微机原理数字钟计时器系统设计。

2201_75940997的博客 1282

GWAS与eQTL相结合,进一步筛选疾病相关基因

欢迎关注”生信修炼手册”!在GWAS分析结果中,大部分显著的SNP位点都位于非编码区,很难直接挖掘这些位点的调控机制。通常假设与疾病关联的SNP位点通过调控基因表达来发挥作用,而eQTL...

庐州月光的博客 1万+

【Android】onCreate函数Native化与JNI动态注册

本文介绍了通过将Android应用的onCreate方法Native化来提高安全性的方法。在Java层,将onCreate声明为native方法并注释掉原实现;在Native层,通过JNI动态注册实现onCreate功能,包括调用父类方法、布局绑定和UI设置等操作。这种方法利用Native代码更难以逆向的特性,提高了应用的安全性,同时展示了如何通过JNI实现Java与Native层的交互,包括方法调用、字段访问和对象操作等关键技术点。

qq_45190039的博客 411

【Konva】解决图形加入group后无法获取到绝对坐标,以及group内绘制新图形坐标偏移的问题

解决konva绘图开发时“图形加入group后坐标不会变动,无法获取到绝对坐标”的问题

近10年前端开发工作经验,为你分享日常经验所得 1500

在用户规模千万级别的 app 中验证过,稳定无兼容问题,5 分钟让你的 SDK 拥有热修复能力

SDKHotFix 项目地址:feelschaotic/SDKHotFix 简介: 在用户规模千万级别的 app 中验证过,稳定无兼容问题,5 分钟让你的 SDK 拥有热修复能力。A SDK hotfix library with stable verified in tens of millions of users can be accessed in only five minutes...

未来很长,但我会努力的走下去。 341

基于深度学习的图像识别技术在农业领域中的应用

是识别"病害种类"还是"病害严重度分级"?前者是分类,后者常需分割或分级回归。是叶片级(离体叶片图像)、植株级(田间单株)、地块级(无人机俯拍)?视角不同,模型差异巨大。实时无人机巡检可能要求 < 50 ms/帧(Jetson Orin),而离线测报可接受秒级推理。类别标签、结构化 JSON、GIS 图斑、报警事件?

AI天才研究院 2177

beegfs读取文件完整流程分析

读取小于512KB文件数据,小于1s 读取15MB文件数据,花费7秒。

wfzy的博客 836

热修复原理浅析(二)

了解热修复,需要有点预热的知识,先从class文件和dex文件说起 class文件和dex文件 class文件 什么是class文件 他是一种文件格式 简单说,就是能被JVM虚拟机识别、加载、并执行的文件格式 而且除了java语言,还有很多其他语言也可以编译出class文件,当然还有kotlin 上图摘抄自【深入Java虚拟机】之二:Class类文件结构 如何手动编译出一个class文件 ...

Android_Study_OK的博客 357

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

热修复原理浅析(一),2024年最新Android面试题集锦

打一个修复bud的apk。必须打出签名后的apk。打一个有bug的apk。

2401_84002482的博客 290

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

热修复实现原理浅析

一、热修复框架主要有三种核心技术 1、代码修复 2、资源修复 3、动态库连接修复 二、各种框架总结对比表 开发中可根据自己app项目情况合理选择,并不是谁的功能多选择谁的。比如我们需要bug修改后即时生效可以选择阿里的AndFix。不需要即时生效,又需要更强大的功能时可以选择腾讯的Tinker。 三、Instant Run instant run的出现推动了热修复的发展 1、介绍 Instant Run 是安卓Studio2.0 新增的一个功能(As3.5+后变成了setting->hot s

dev晴天的博客 1581

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Android 热修复 Tinker接入及源码浅析

一、概述 放了一个大长假,happy,先祝大家2017年笑口常开。 假期中一行代码没写,但是想着马上要上班了,赶紧写篇博客回顾下技能,于是便有了本文。 热修复这项技术,基本上已经成为项目比较重要的模块了。主要因为项目在上线之后,都难免会有各种问题,而依靠发版去修复问题,成本太高了。 现在热修复的技术基本上有阿里的AndFix、QZone的方案、美团提出的思想方案以及腾讯的Tinker等。

Hongyang 5万+

美团Robust热修复方案实现原理浅析

1.兼容性好:Robust采用Instant Run插桩的方案。2.实时生效,且修复率高。3.UI问题也可以通过动态添加和移除View等方式解决。

chuyouyinghe的专栏 1060

Android 热修复技术浅析

转载请注明本文出自 clevergump 的博客:http://blog.youkuaiyun.com/clevergump/article/details/54782635, 谢谢! 一. 热修复技术简介 什么是热修复技术? 通过向用户下发补丁包的方式, 让应用能够在无需重新安装的情况自动集成补丁包, 实现更新的技术. 二. 热修复技术的优缺点 优点: 无需重新发布

clevergump的专栏 2134

浅析热修复以及思考

首先得声明的是热修复只能在国内市场使用。而国外的Google Play不允许任何APP有更改,被举报就准备好下架整改了。 An app downloaded from Google Play may not modify, replace, or update itself using any method other than Google Play's update mechanism.所以老老

aroundme的博客 644

Android-Tinker热修复原理

Android-Tinker热修复原理 正常的开发流程,与热修复开发流程的对比

weixin_43506260的博客 915

Android热修复学习(一)

当我们应用上线后出现bug需要及时修复时,不用通过新发安装包,而是通过发布补丁包,在客户无感知的情况下修复bug;热修复实现原理归根还是类加载机制,与插件化方案的不同之处在于修复dex需要放在合并后的dex数组前面,才能执行修复后的代码;本质上都是对于类加载机制的运用;...............

故不积跬步无以至千里 934

探索Android开源框架 - 11. 热修复原理

热修复技术介绍 重新发布版本代价大,成本高,不及时,用户体验差,对此有几种解决方案: Hybird:原生+H5混合开发,缺点是人工成本搞,用户体验不如纯原生方案好; 插件化:移植成本高,对老代码的改造费时费力,而且无法动态修改; 热修复技术,将补丁上传到云端,app可以直接从云端下来补丁直接应用; 热修复技术对于国内开发者来说是一个比较实用的功能,可以解决如下问题: 发布新版本代价较大,用户下载安装成本高; 版本更新的效率问题,需要较长时间来完成版本覆盖; 版本更新的升级率问题,不升级版本的用

o118abcdef的博客 1773
上一篇: Android滤镜效果ColorMatrix用法二
下一篇: instagram授权流程(第二篇)
Android_Study_OK
博客等级 码龄11年 91粉丝 128原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值