Defold引擎中sys.reboot()在特定Android设备上的崩溃问题分析
问题背景
在Defold游戏引擎1.10.1版本中,开发者报告了一个严重问题:当使用sys.reboot()函数重启应用时,在某些特定的Android设备上会导致应用崩溃。这个问题主要出现在Xiaomi系列设备上,包括Redmi Note 7 pro、Redmi Note 2和Redmi 11等机型,涉及Android 10到15的不同系统版本。
崩溃现象
当调用sys.reboot()函数后,应用会立即崩溃,并产生以下关键错误日志:
ERROR:CRASH: CALL STACK:
#00 pc 0x0000348ad0 ...BxBjeA==/lib/arm64/librestart.so <unknown>+0
#01 pc 0x0000004dd8 /system/bin/app_process64 <unknown>+0
#02 pc 0x000000063c [vdso] __kernel_rt_sigreturn+0
...
更详细的崩溃堆栈显示问题发生在信号处理链中,特别是与libsigchain.so和游戏手柄驱动更新相关的代码路径。
问题根源
经过技术分析,这个问题与以下几个技术因素有关:
-
信号处理机制冲突:崩溃日志显示系统在尝试处理SIGSEGV信号时出现问题,这表明可能存在信号处理器的注册或恢复机制存在缺陷。
-
设备特定行为:问题主要出现在Xiaomi设备上,这些设备可能对应用生命周期管理有特殊的定制实现,与Defold引擎的重启机制产生了冲突。
-
构建方式差异:值得注意的是,通过编辑器直接构建的APK可以正常工作,但通过bob.jar构建的APK或AAB包则会出现崩溃,这表明构建过程中的某些配置或优化可能影响了重启功能的稳定性。
-
HID子系统交互:崩溃堆栈显示问题最终发生在游戏手柄驱动更新过程中,表明在重启过程中输入设备的处理可能存在资源释放或重新初始化的顺序问题。
技术细节
深入分析崩溃堆栈,我们可以发现:
- 系统首先尝试将SIGSEGV信号处理器设置为默认处理器(SIG_DFL)
- 然后通过libsigchain.so进行信号链处理
- 问题最终在GLFW游戏手柄驱动更新过程中触发崩溃
- 引擎的主循环和线程管理也参与了崩溃路径
这表明在应用重启过程中,输入子系统的资源管理和信号处理机制没有正确协调。
解决方案
Defold开发团队已经识别了这个问题,并提出了修复方案:
-
符号表问题修复:团队发现vanilla引擎的符号表不匹配问题,正在通过修改构建配置确保引擎在扩展器上正确构建并获取符号。
-
构建系统调整:修复将确保无论是通过编辑器还是bob.jar构建,都能生成稳定的可执行文件。
-
生命周期管理改进:对应用重启过程中的资源管理和信号处理进行优化,确保在Xiaomi等定制ROM设备上也能稳定运行。
开发者建议
对于遇到此问题的开发者,可以采取以下临时措施:
- 避免在目标设备上使用
sys.reboot(),改为实现自定义的重启逻辑 - 等待官方修复版本发布后再启用此功能
- 在必须使用重启功能的场景下,考虑通过原生扩展实现设备特定的重启方案
总结
这个问题展示了跨平台游戏引擎在特定设备环境下面临的挑战,特别是当涉及到应用生命周期管理和底层系统交互时。Defold团队通过分析崩溃堆栈和构建过程,已经定位了问题根源并提出了解决方案。这提醒我们在使用引擎功能时,需要考虑目标设备的特殊性,并在关键功能上进行充分的跨设备测试。
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