Dagger Hilt 在 Android 14 上运行 UI 测试时的 SecurityException 问题解析
问题背景
在使用 Dagger Hilt 和 Jetpack Compose 进行 Android UI 测试时,开发者遇到了一个特定于 Android 14 的安全异常问题。这个错误表现为 SecurityException,并提示需要在注册广播接收器时明确指定 RECEIVER_EXPORTED 或 RECEIVER_NOT_EXPORTED 标志。
错误分析
该问题的根本原因在于 Android 14 对广播接收器的注册引入了更严格的安全要求。从 Android 14 开始,所有动态注册的广播接收器都必须明确声明其导出性(exported 属性),以增强应用的安全性。
错误堆栈显示,问题发生在测试框架尝试启动 Activity 时。具体来说,是 androidx.test.core.app.InstrumentationActivityInvoker 在注册 Activity 结果接收器时没有指定必要的标志。
深层原因
经过深入分析,我们发现这个问题实际上是由测试依赖的版本冲突引起的:
- Dagger Hilt 测试库(hilt-android-testing)2.50 版本依赖的是较旧的 androidx.test:core:1.4.0
- 而开发者项目中使用的是较新的测试库版本(如 1.5.0)
- 旧版本的测试库没有适配 Android 14 的新安全要求
解决方案
要解决这个问题,我们需要确保测试环境中使用兼容 Android 14 的测试库版本。以下是具体的解决步骤:
1. 统一测试库版本
首先,需要将所有测试相关的依赖升级到最新兼容版本:
def androidXTestVersion = "1.5.0" // 或更高版本
androidTestImplementation "androidx.test:core:$androidXTestVersion"
androidTestImplementation "androidx.test:core-ktx:$androidXTestVersion"
androidTestImplementation "androidx.test.ext:junit:1.1.5"
androidTestImplementation "androidx.test.ext:truth:1.5.0"
2. 处理 Hilt 测试库的依赖冲突
由于 Hilt 测试库强制依赖旧版本,我们需要显式排除这个依赖:
androidTestImplementation("com.google.dagger:hilt-android-testing:2.50") {
exclude group: 'androidx.test', module: 'core'
}
3. 确保所有配置使用统一版本
为了避免不同构建配置间的版本冲突,需要在所有相关配置中强制使用相同版本:
debugImplementation("androidx.test:core") {
version { strictly androidXTestVersion }
}
testImplementation("androidx.test:core") {
version { strictly androidXTestVersion }
}
androidTestImplementation("androidx.test:core") {
version { strictly androidXTestVersion }
}
4. 处理其他可能的冲突
对于其他可能引起冲突的测试依赖,如 Espresso 和 Compose 测试库,也需要进行类似处理:
androidTestImplementation("androidx.compose.ui:ui-test-junit4") {
exclude group: 'androidx.test', module: 'core'
}
最佳实践建议
- 定期更新测试依赖:保持测试库与目标 Android 版本的兼容性
- 统一依赖版本:确保所有构建配置使用相同的测试库版本
- 使用依赖约束:在项目级 build.gradle 中定义版本约束,避免意外引入不兼容版本
- 检查测试框架兼容性:特别是当目标 Android 版本更新时
总结
Android 14 引入的安全改进可能导致现有测试框架出现兼容性问题。通过统一测试依赖版本、正确处理依赖冲突,可以确保 Dagger Hilt 和 Jetpack Compose 的 UI 测试在 Android 14 上正常运行。这个问题也提醒我们,在升级目标 SDK 版本时需要同步考虑测试环境的兼容性。
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