火山引擎数据质量平台是如何弥合大数据场景下数据质量校验与计算消耗资源大、校验计算时间长的冲突？

卡顿和 ANR 问题一直是 Android 性能优化的重点问题，直接关系到用户体验。当主线程的消息执行耗时过长时，轻则出现不流畅，不跟手，重则有肉眼可见的卡顿感，最严重则是发生 ANR，系统会弹出弹窗提示用户等待或关掉程序，严重影响用户体验。

对于卡顿的监控，现有的方案大多是在消息执行前埋点，当消息耗时过长时进行抓栈操作，ANR 的监控则是通过监听 SIGQUIT 信号并判断进程状态，在 ANR 时拿到各线程堆栈及各类辅助信息来定位问题。这种抓堆栈的方案对于单点长耗时是有效果的，比如锁等待和死锁，但是对于由多个消息和函数耗时累积造成的 ANR，一次堆栈是无法定位问题的，所以经常会出现 ANR 堆栈不准的情况。

西瓜视频的 Android TOP 1 ANR 就是聚类到了 nativePollOnce，根据 ANR 前的消息调度耗时可以看到存在许多长耗时消息，这些长消息是造成 ANR 的根本原因，而不是真的阻塞在了 nativePollOnce。分析发现其实这部分问题都是由于抓栈时机滞后导致的，从感知到 ANR 到完成抓栈存在一定的时间间隔，很容易错过现场，而 nativePollOnce 是主线程中执行频率最高的函数，抓栈很容易落到这里，所以导致很多 ANR 都是 nativePollOnce 的堆栈。另外传统的监控方案对于多个耗时消息累积导致的 ANR 也很难做到有效监控，单次抓栈大概率无法明确问题。所以如果能拿到 ANR 前的一段时间的 Method Trace，那么就能看到主线程到底在做什么，进而准确定位问题。

抖音音乐业务在端内开展 Hybrid 场景时，就选择了 Lynx 技术框架。得益于公司自研，业务在监控上有了非常多的自主性。针对实际业务场景，从用户视角出发，定制了一套业务监控指标。

议题聚焦Android权限管控机制的一些常见问题和设计缺陷，通过历史多个安全漏洞，提出了系统权限管控设计的4条基本原则，以此来提醒和帮助厂家提高系统权限认证模型的安全性。

通过代码自适应的方式实现文本的垂直居中，避免了针对不同字体、字号及手机的适配工作。

找 bug 的方式都不是很高效，导致最终 bug 找不到或者走了很多弯路。

流量平台已经覆盖了 2000 多个应用，管理埋点（事件）数 20 万，每天产生的埋点数据量超过万亿。

近年来 AI+Test 相关的智能化测试技术，已经逐步成为国内·国际大型互联网公司和各大测试服务提供商的基础能力。其智能化包含测试代码的自动生成、大规模测试结果分析、自动化探索性测试、缺陷定位及修复等。相关公司、产品或服务比较有代表性的有：Test.AI、Applitool、Totoro、Eggplant、Appdiff 等。

过去的一段时间，团队希望打造有温度、有人情味的产品设计，力求在追求高效的同时也能传递出沉浸、有趣味的设计体验。

各位小伙伴可能遇到过「大文件上传」的场景，在这种场景下，我们需要采用「大文件分片上传」的技术方案。但是我发现已有的一些分片上传库的使用体验都不太好，因此在这里从零开始手写一个大文件分片上传库，一是加深理解，二是方便大家后续直接使用。

编译器作为一个复杂的软件也会有 bug，也会有各种兼容性和正确性的问题，这里我们分享一则开启 clang 的 -Oz 优化选项时发现的编译器缺陷。

在 Hybrid 开发的过程中，由于前端和客户端同学存在认知差异，导致在解决一些 bridge 问题时存在一定的沟通成本和信息不对称。本文从前端视角切入，讲述 bridge 方法如何和客户端进行交互，以及在此过程中进行的各种中间处理。

对于 RPC 的一种重新思考，还会设计细节、拆解、落地遇到问题。

本文将谈谈端智能以及端智能在西瓜视频的发展。

目前互联网/软件行业内，广泛使用数据驱动产品迭代，通过精细的数据分析、模型训练为用户提供更好的服务。在此过程中，数据埋点的工作是后续数据分析、模型训练等工作的基础。

数据埋点通常是产品经理、数据分析师，以及推荐系统工程师，基于业务需求（例如：广告的下载安装转化），产品需求（例如：关注按钮的曝光次数以及点击的人数）对用户行为的每一个事件确定埋点需求。客户端工程师进行对应的埋点功能开发，通过 SDK 上报埋点的数据结果，后端记录数据进行一系列处理，并汇总后提供给产品经理、数据分析师，以及推荐系统工程师进行数据分析或模型训练，帮助优化产品运营策略。

隐私保护越来越受到重视，个性化广告该何去何从？