Dex2jar 与 JD-GUI快速反编译Android apk文件

回顾了Android开发初期的历史背景,并介绍了如何利用dex2jar与jd-gui工具进行APK文件的反编译过程,以评估开发者的技术水平。

最早开发Android程序的时候,只能从Android官方网站,看其发布的document,那时国内还没有一本关于android开发的中文书籍,开发完成的app,Google Market也不支持中国大陆提交App。

自2010年开始,Google在Android方面,开始大刀阔斧的发展,国内的Android(安卓)开发开始升温,从业者众多,但是对于大部人而言,java基础、程序设计相当的薄弱。2011年,问鼎清云科技 为了考察应聘者的实际代码编写、设计能力,根据应聘者提供的线索,找到其在国内外market上发布的app,下载后,通过dex2jar 与 jd-gui,将apk文件反编译为.java源码,看一个人的编码功底,同时,可以问几个里面的几个写的精彩的代码片段,是不是TA写的,一问便知。

 

好了,废话有点多,接下来把工具的使用方法,进行梳理。

 

1. 下载工具

dex2jar下载地址:http://code.google.com/p/dex2jar/downloads/list

(备注:当时Google宣布退出大陆市场后,谷歌Google在兆维电信机房的服务器托管已终止,服务器都在中国香港和国外,加上经常受GFW的限制,现在无法打开网站,已很正常,假如无法打开可以多尝试几次)

 

JD-GUI下载:

Size : 691.67 KB
MD5 checksum : 15b3bfb9283bcd3f5db551762f4debeb
Size : 973.8 KB
MD5 checksum : 64491556a81f65b8ad58ef44c5ec99c0
Size : 1.37 MB
MD5 checksum : eb33e74f724d3b0a89ca4002a408ab49

 

2. 通过dex2jar将apk转换为jar文件

 

  • 从apk中抽取classex.dex文件 

虽说dex2jar可以直接从apk抽取出jar文件,但是会经常遇到一些问题,所以常用的方法是将.apk文件,重命名为.zip,解压缩后,找到classes.dex文件

 

  • 运行dex2jar生成.jar文件

在Mac系统,打开终端,定位到dex2jar所在的目录,执行以下命令:

./dex2jar.sh absolute_path_classes.dex

 

在win系统,打开命令行,定位到dex2jar所在的目录,执行以下命令:

.\dex2jar.bat absolute_path_classes.dex

 

生成文件:classes_dex2jar.jar

 

 

3. 通过jd-gui将jar文件反编译为java文件

运行jd-gui,打开文件classes_dex2jar.jar,可以看到源码,同时,你还可以通过Save Source或Save All Source,将源码进行保存。

 

在国内,不管是做基础行业的IaaS,如世纪互联、问鼎清云 、网宿等IDC、云计算厂商,还是PaaS,如百度、腾讯、新浪等开放平台,还是SaaS领域,如800CRM等,竞争都很激烈(前者靠资源,中间靠平台,后者靠市场)。但是,在移动互联网领域,短短的2年的时间里,已经是红海一片。在新浪微博上,有很多人都说,目前那么多app,到底哪些是有实用价值的,哪些是为融资而生的,哪些是未来可以作为行业领军的产品,作为移动互联网领域的一员,你准备好了吗?

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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