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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00