Signal-Android项目中Mockito在Java 21下的兼容性问题分析
在Signal-Android项目的开发过程中,开发者遇到了两个单元测试失败的问题,具体表现为LatestPrioritizedSerialExecutorTest类中的execute_replacesDupes和execute_sortsInPriorityOrder测试用例执行失败。经过深入分析,发现这是由Java版本兼容性问题引起的。
问题现象
当开发者在macOS环境下使用Java 21运行Signal-Android项目的单元测试时,会遇到以下错误:
org.signal.core.util.concurrent.LatestPrioritizedSerialExecutorTest.execute_replacesDupes测试失败org.signal.core.util.concurrent.LatestPrioritizedSerialExecutorTest.execute_sortsInPriorityOrder测试失败
错误日志显示Mockito无法正确mock测试类TestRunnable,并提示了Java版本相关的警告信息。
根本原因
这个问题源于Mockito框架在Java 21环境下的行为变化。Mockito使用字节码操作技术来实现mock功能,而Java 21引入了一些安全限制,特别是对动态加载Java代理的限制。具体表现为:
- Java 21默认情况下会显示关于动态加载代理的警告
- Mockito的内联mock功能在Java 21上可能无法正常工作
- Java 21对instrumentation API的使用有更严格的限制
解决方案
针对这个问题,有以下几种解决方案:
-
使用Java 17:这是Signal-Android项目推荐和测试过的Java版本。项目已经在Dockerfile和.tool-versions文件中明确指定了Java 17作为开发环境要求。
-
调整Mockito配置:如果必须使用Java 21,可以尝试:
- 添加
-XX:+EnableDynamicAgentLoadingJVM参数来允许动态加载代理 - 使用
-Djdk.instrument.traceUsage参数获取更多调试信息 - 考虑升级Mockito到最新版本,可能已经包含对Java 21的更好支持
- 添加
-
修改测试代码:重构测试用例,减少对mock功能的依赖,或者使用其他测试策略。
最佳实践建议
-
遵循项目指定的Java版本:Signal-Android明确指定使用Java 17,这是经过充分测试的版本,可以避免类似兼容性问题。
-
理解Mockito的限制:Mockito的某些高级功能(如内联mock)在不同Java版本上可能有不同的行为,特别是在新发布的Java版本上。
-
关注测试环境一致性:确保开发、CI和团队成员的测试环境使用相同的Java版本,可以避免"在我机器上能运行"的问题。
-
定期更新测试依赖:随着Java新版本的发布,及时更新Mockito等测试框架,以获得更好的兼容性支持。
总结
这个案例展示了Java版本升级可能带来的测试框架兼容性问题。对于Signal-Android项目而言,最简单的解决方案是使用项目推荐的Java 17版本。这也提醒我们,在软件开发过程中,保持开发环境与项目要求的一致性非常重要,特别是在涉及字节码操作等底层技术的场景下。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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