AESJniEncrypt 开源项目最佳实践教程
1. 项目介绍
AESJniEncrypt 是一个基于 Android 平台的开源项目,它利用.libsodium 库实现了 CHACHA20 算法进行数据加密,保证了 Android 应用程序的高安全性。项目通过在本地代码中隐藏密钥和混淆技术来防止应用被二次打包和逆向工程。
2. 项目快速启动
环境准备
在开始前,请确保你的开发环境中已经安装了 Android Studio 和相应的 NDK 工具链。
克隆项目
通过以下命令克隆项目到本地:
git clone https://github.com/BruceWind/AESJniEncrypt.git
构建项目
进入项目目录后,执行以下脚本以构建 libsodium 库:
./build_libsodium_for_all_android_abi.sh
如果遇到 env: python: No such file or directory 错误,请确保 Python 已正确安装,并检查 config.log 文件以获取详细信息。
构建成功后,相关的 .a 和 .so 文件将被复制到 aesjni/src/main/jni/sodium_include/ 目录下。
生成密钥
运行以下脚本来生成 CHACHA20 密钥:
run test_in_exexutaing.sh
在 logcat 中查看生成的密钥和 nonce,并将它们复制到 JNIEntry.c 文件中。
配置项目
在 local.properties 文件中设置 ndk.dir,并确保 NDK 版本与项目兼容。
签名配置
生成 Keystore 文件并修改 check_signature.h 中的 keystore hashcode 和包名。
集成到应用中
修改类名和方法名,不要暴露加密算法的名称,并从代码中修改密钥存储的 C 函数。
3. 应用案例和最佳实践
防止二次打包
通过签名验证和混淆技术,保护应用不被非法二次打包。
防止逆向工程
使用 Obfuscator-LLVM 对本地代码进行混淆,增加逆向工程的难度。
密钥管理
密钥不应硬编码在代码中,而应该动态生成或通过安全的通信渠道获取。
运行时检测
在加密和解密过程中检查是否被调试,并在运行时检测设备是否为模拟器。
4. 典型生态项目
目前该项目是独立的,但可以与其他安全相关的开源项目配合使用,例如用于检测模拟器的 Check_Emulator_In_NDK 项目。
以上是 AESJniEncrypt 项目的最佳实践教程,通过这些步骤,开发者可以更好地集成和使用该开源项目,提高 Android 应用的安全性。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00