LibChecker 项目中对加固 APK 的 Compose 检测优化分析
在 Android 应用分析领域,LibChecker 作为一个优秀的开源工具,能够帮助开发者快速识别应用中使用的各种库和框架。近期项目团队针对加固 APK 中 Jetpack Compose 框架的检测问题进行了深入探讨和优化,这一改进对于应用分析具有重要意义。
背景与问题发现
在 Android 应用开发中,许多开发者会使用加固技术来保护自己的应用代码。传统的加固手段会对 APK 进行深度处理,使得常规的类扫描方法难以获取应用内部使用的库信息。然而,细心的开发者发现,即使在这些加固后的 APK 中,META-INF 目录下仍然保留了 Compose 框架的版本信息文件。
这一发现为检测加固应用是否使用 Compose 框架提供了新的思路。正常情况下,LibChecker 通过扫描应用的类信息来判断是否使用了 Compose,但对于加固应用这种方法往往失效。
技术实现方案
LibChecker 原本就具备通过 META-INF 目录检测 Compose 的能力,其实现逻辑主要检查以下条件:
- 文件不是目录
- 文件名以"androidx.compose"开头
- 文件名以".version"结尾
但在实际应用中,团队发现某些特殊情况下的检测不准确。深入分析后发现,问题出在文件路径的处理上。在某些加固应用中,Compose 版本信息文件的完整路径为"META-INF/androidx.compose...",而原有代码仅检查了基本文件名部分。
优化方案
针对这一问题,技术团队提出了更完善的检测逻辑:
- 同时检查两种可能的路径格式
- 直接以"androidx.compose"开头的文件名
- 位于META-INF目录下,路径为"META-INF/androidx.compose..."的文件
- 保留原有的".version"后缀检查
这种双重检查机制大大提高了在加固环境下的检测准确率,同时也保持了对常规应用的兼容性。
技术细节探讨
值得注意的是,在讨论过程中还提到了关于Compose预览Activity的问题。虽然检测预览Activity的存在可以作为判断依据,但从技术规范角度考虑:
- 预览Activity理论上不应存在于Release版本的APK中
- Google官方推荐使用debugImplementation方式引入预览工具
- 依赖预览Activity检测可能会带来误判风险
因此,团队最终选择了基于版本信息文件的检测方案,这既符合技术规范,又具有更高的可靠性。
实际应用价值
这一改进对于以下场景特别有价值:
- 分析加固应用的技术栈组成
- 了解行业内的Compose采用率
- 进行竞品技术分析
- 应用兼容性测试
通过这一优化,LibChecker增强了对加固应用的分析能力,为开发者提供了更全面准确的应用分析数据。这体现了开源项目持续优化、追求技术精进的精神,也展示了社区协作解决实际问题的力量。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00