探寻不同版本的SDK对iOS程序的影响

PDF版本:http://pan.baidu.com/s/1eQ8DVdo

结论:


相同的代码,使用不同版本的SDK来编译,会影响MachO头中的值,
从而使程序表现出不同的外观。

代码:

- (BOOL)application:(UIApplication *)application didFinishLaunchingWithOptions:(NSDictionary *)launchOptions
{
    UIScreen *mainScreen = [UIScreen mainScreen];
    CGRect frm = [mainScreen bounds];
    UIWindow *win = [[UIWindow alloc] initWithFrame:frm];
    win.backgroundColor = [UIColor blueColor];
    self.window = win;
    [win release];
    [self.window makeKeyAndVisible];
    return YES;
}



问题:

如上的代码非常简单,没有任何功能,
分别使用 xcode v4.6.3 与 v5.0.2 编译,
然后安装到iOS8的设备上,表现却不同,
主要就是iOS6与iOS7之间关于状态条的差别,如下图:
__________
代码都是一样的,只是使用了不同的SDK进行编译,
差别具体在哪里?

说明:

xcode版本:4.6.3 VS 5.0.2
设备:iPhone 5s,iOS 8.0
可执行文件名:
APIDiff-SDK61表示使用iOS SDK 6.1 编译出的可执行文件
APIDiff-SDK70表示使用iOS SDK 7.0编译出的可执行文件
IPA文件名:
APIDiff-SDK61.ipa表示iOS SDK 6.1编译出的安装包
APIDiff-SDK70.ipa表示iOS SDK 7.0编译出的安装包

分析:



分析一:确认是可执行程序引起

验证方法:

APIDiff-SDK70.ipa中的可执行程序替换APIDiff-SDK61.ipa中的可执行程序,

然后使用codesign命令重新签名,

打包,安装到手机上后发现状态条是透明的,

说明差别确实在可执行程序中。


重新签名方法:
codesign -f -s "证书名" --resource-rules Payload/*.app/ResourceRules.plist Payload/*.app



分析二:比较二进制差别


既然在可执行文件中,
首先想到的是使用二进制比较工具来看看二者的差别,
结果如下图:



可以看到差别太大,这样比较没什么意义,
这条路不可行。


分析三:比较代码差别


既然比较二进制没什么意义,
那我们就比较下反汇编代码,
看看是不是编译器做了什么手脚,



可以看到二者的代码几乎一样,
具体的一点差别,
也是由不同版本的编译器造成的,
逻辑是一样的,因此不是代码引起的程序外观不同。
另外,代码里没有读什么全局变量,
说明不是因为UIKit中有什么默认值被编译到程序中,
从而引起状态条的外观不同。


分析四:比较UIKit版本号对程序的影响


既然代码没有差别,

我们首先会想到是不是由于UIKit版本不同而引起的程序外观不同。

虽然程序是动态链接的UIKit,

并且设备上只有一个版本的UIKit库,

但是我们还是要验证下。

首先确定二者的差别,如下图:




可以看到二者的版本号确实有差别,
但是兼容版本都是1.0,
理论上讲不是因为这个造成程序差别。
理论是理论,我们现在正在使用排除法确定问题原因,
还是要实打实的验证。
验证方法:将APIDiff-SDK61中的UIKit版本号改成2903.23.0。
修改方法:这个值在二进制文件中的偏移为:0x6EC,
需要注意下小端问题。
修改后,重新签名,打包安装到手机上,
发现状态条没有发生变化,
因此原因不是UIKit版本号的差别。


分析五:使用MachOView逐项比较


走到这里,多少有点儿黔驴技穷了,

问题就在那里而我们却找不到原因。

那就上最原始的工具:体力劳动,使用MachOView一项一项的对比。

从"__LINKEDIT"

--->"LC_DYLD_INFO_ONLY"

--->"LC_LOAD_DYLINKER"

--->"LC_VERSION_MIN_IPHONEOS"

"LC_VERSION_MIN_IPHONEOS"中发现了一个保留值的差别:



感觉有可能这就是问题的原因,
进行验证:修改APIDiff-SDK61,偏移地址0x69C,
将值改为00070000,
重新签名,打包安装到手机,
发现状态条变成透明了,问题就在这里!


TODO:这种差别又是如何影响了程序的外观


这种差别又是如何影响了程序的外观,可能的原因为:

1、UIKit中会读这个属性。

可能性极小,UIKit只是一个库,

而如上的差别会首先被加载器获得,

离UIKit还很远。


2、SpringBoard及其相关服务。

可能性大,

①:SpringBoard几其服务本身就有绘图的职责;

②:点击桌面上的图标,程序是由SpringBoard启动的。



不过不打算继续验证了,到这里已经满足了我的探知欲,欲望更强的兄弟可以继续分析。^_^


【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值