Android BLE Library中WriteRequest Split模式的取消机制优化
2025-07-04 20:35:40作者:平淮齐Percy
在NordicSemiconductor的Android BLE Library项目中,开发者发现了一个关于WriteRequest Split模式取消机制的重要问题。本文将深入分析该问题的技术背景、解决方案及其实现原理。
问题背景
在BLE通信中,当需要发送的数据包超过MTU大小时,通常需要采用分包发送机制。Android BLE Library通过WriteRequest的split方法实现了这一功能。然而,开发者发现当尝试取消一个正在执行的分包写入操作时,系统无法真正停止后续数据包的发送。
问题分析
问题的核心在于WriteRequest类的设计。当调用cancelCurrent方法取消当前请求时,虽然会触发失败回调,但hasMore()方法仍然会返回下一个待发送的数据包,导致底层继续发送后续数据包。
解决方案
项目维护者通过以下方式解决了这个问题:
- 将WriteRequest类扩展为TimeoutableRequest的子类,使其继承timeout和cancel方法
- 在cancel方法中设置complete标志位为true
- 修改hasMore()方法逻辑,使其在complete为true时不再返回后续数据包
这种设计确保了当取消操作发生时,不仅会触发失败回调,还会真正停止后续数据包的发送。
实现细节
在具体实现上,维护者进行了以下关键修改:
- 在WriteRequest类中添加cancel方法,设置complete标志位
- 修改BleManagerHandler.cancelCurrent方法,正确处理WriteRequest的取消
- 确保hasMore()方法在complete为true时返回false
影响范围
这一修改不仅解决了WriteRequest Split模式的取消问题,还带来了额外的好处:
- 现在可以为enableNotification和disableNotification操作设置超时
- 提高了整个库在异常情况下的行为一致性
- 为开发者提供了更可靠的取消机制
使用建议
在实际开发中,建议开发者采用以下代码风格来使用这些特性:
val response = waitForNotification(wCommandChar)
.trigger(
writeCharacteristic(wOTAChar, otaData, WRITE_TYPE_NO_RESPONSE)
.split(WriteProgressCallback { device, data, index ->
// 进度处理
})
.before { device -> /* 预处理 */ }
.done { device -> /* 完成处理 */ }
.fail { device, status -> /* 失败处理 */ }
)
.timeout(10000L)
.suspendForResponse<ReadResponse>()
这种清晰的缩进方式可以更好地表达代码逻辑层次。
总结
Android BLE Library的这一改进显著提升了BLE通信中大数据包发送的可靠性和可控性。开发者现在可以更安全地使用分包发送功能,并在必要时可靠地取消操作。这一改进体现了该库对实际开发需求的持续关注和响应能力。
登录后查看全文
热门项目推荐
相关项目推荐
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
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
最新内容推荐
海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
663
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
659
297
Ascend Extension for PyTorch
Python
215
235
React Native鸿蒙化仓库
JavaScript
254
320
仓颉编译器源码及 cjdb 调试工具。
C++
132
866
仓颉编程语言运行时与标准库。
Cangjie
139
874
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.18 K
648
仓颉编程语言开发者文档。
59
818