mPaaS 月度小报 | 应用上线前都应该检查哪些指标?CodeHub#5回顾:小程序容器加持下的技术架构“提质增效”

简介: mPaaS 月度小报 Apr. and May.

封面图0531.png

本月亮点速览

mPaaS 使用技巧

  • 应用上线前,都应该检查哪些指标?
  • 如何在 Library 中使用/依赖 mPaaS ?
  • 如何向 mPaaS 小程序传递启动参数?


技术干货

  • 源码解析 RocketMQ


mPaaS 动态

  • CodeHub#5 | 快成物流:基于容器实现移动端动态化架构升级
  • mPaaS 招兵买马ing,技术、产品、运营通通都到碗里来


mPaaS 使用技巧

应用上线前,都应该检查哪些指标?

随着越来越多的企业基于 mPaaS 搭建并上线新的 App,App 的上线质量也成为各个客户关注的重点。上线前检测哪些项目?如何检测?检测数据指标包括哪些?


1. 安全性

1.1 RPC 是否开启国密加密

1.2 离线包是否开启验签

1.3 UID 信息是否设置正确

1.4 埋点信息是否包含敏感信息,比如交易单号

1.5 隐私权限配置


2. 稳定性

2.1 验证在 Android4.X 版本的是否可以正常使用

2.2 iOS 符号表是否正常上传

2.3 热修复模块是否接入并且验证通过

2.4 离线包 Fallback 域名确认

2.5 离线包模块接入 CDN

2.6 RPC 核心链路接口压测

2.7 发布更新功能可用


3. 性能体验

3.1 离线包离线功能是否正常生效

3.2 UC 内核是否正常接入

3.3 核心链路离线包是否预制


🔗了解更多:技术干货 | 应用上线前的“体检”,你知道需要检测哪些指标吗?


如何在 Library 中使用/依赖 mPaaS

使用 mPaaS 框架过程中,有时需要复用模块。复用时需要按照使用 Module 依赖的方式添加模块。以复用 mPaaS 扫码组件的 Module 为例,对此过程进行说明。


Step 1 在 Android 工程中创建 Android Library 类型的模块 “scan”。


Step 2在新创建的 scan 模块的 build.gradle 文件中添加如下示例:

dependencies {
    ……
    //moudle里使用mPaaS组件功能时,必须添加
    api platform("com.mpaas.android:$mpaas_artifact:$mpaas_baseline")
    ……
 }

Step 3 通过 Android Studio mPaaS 插件为 scan 模块安装扫码组件。具体菜单路径为:mPaaS > 原生 AAR 接入 > 配置/更新组件 > 开始配置


Step 4 配置 App 主工程。

plugins {
    id 'com.android.application'
    ......    
    //必须在app下的build.gradle添加baseline.config(基线)    
    id 'com.alipay.apollo.baseline.config'
}


Step 5 调用组件模块。在使用扫码组件的地方,导入 scan 模块。

dependencies {
    api platform("com.mpaas.android:$mpaas_artifact:$mpaas_baseline")
    ....
    api project(':scan')//扫码组件
}


🔗了解更多:技术干货 | 如何在 Library 中使用/依赖 mPaaS?


向 mPaaS 小程序传递启动参数

在部分场景下,需要向小程序的默认接收页(pages/index/index)传递参数。以传递 name 和 pwd 参数为例,分别为大家介绍此场景在 Android 小程序和 iOS 小程序中的实现过程。


🔗了解更多:技术干货 | 轻松两步完成向 mPaaS 小程序传递启动参数


技术干货

源码解析 RocketMQ

Apache RocketMQ 作为广为人知的开源消息中间件,诞生于阿里巴巴。从 RocketMQ 4.0 到如今最新的 v4.7.1,不论是在阿里巴巴内部还是外部社区,都赢得了广泛的关注和好评。 通过阅读 RocketMQ Producer 源码,即可分析在事务消息发送中 RocketMQ 是如何工作的。


🔗了解更多:技术干货 | 源码解析 Github 上 14.1k Star 的 RocketMQ


mPaaS 动态

CodeHub#5 | 快成物流:基于容器实现移动端动态化架构升级

快成科技是网络货运领域的领军科技企业,领域排名市场前三,平台有 3w+ 大宗商品货主,将货单发布到平台,由 60w+ 的卡车司机接单承运,每年产生 120亿 的运费交易额。


在快成科技业务持续高速发展的背景下,优秀的技术架构是“提质增效”的保障,系统重构势在必行。快成的小伙伴们基于“框架成熟度、迁移成本、社区氛围、兼容性和跨平台动态性”等四个维度,将 mPaaS 小程序作为技术选型,用以重构其 App 架构、实现技术团队高效协同。


🔗了解更多:快成物流科技 x mPaaS | 小程序容器加持下的技术架构“提质增效”

🎞CodeHub#5 全程回放:www.bilibili.com/video/BV1Ub4y1f7wj/


mPaaS 招兵买马ing

明人不说暗话

蚂蚁集团 mPaaS 招人啦📣

Base:杭州/北京

你确定不了解一下吗?


关注公众号「mPaaS」

  • 回复“技术专家”了解职位详情
  • 回复“产品运营”了解职位详情
  • 回复“产品经理”了解职位详情


📧简历投递:shaojian.jsj@antgroup.com



文章头部.png

相关文章
|
人工智能 自然语言处理 开发工具
统一多模态 Transformer 架构在跨模态表示学习中的应用与优化
本文介绍统一多模态 Transformer(UMT)在跨模态表示学习中的应用与优化,涵盖模型架构、实现细节与实验效果,探讨其在图文检索、图像生成等任务中的卓越性能。
统一多模态 Transformer 架构在跨模态表示学习中的应用与优化
|
监控 Java API
Spring Boot 3.2 结合 Spring Cloud 微服务架构实操指南 现代分布式应用系统构建实战教程
Spring Boot 3.2 + Spring Cloud 2023.0 微服务架构实践摘要 本文基于Spring Boot 3.2.5和Spring Cloud 2023.0.1最新稳定版本,演示现代微服务架构的构建过程。主要内容包括: 技术栈选择:采用Spring Cloud Netflix Eureka 4.1.0作为服务注册中心,Resilience4j 2.1.0替代Hystrix实现熔断机制,配合OpenFeign和Gateway等组件。 核心实操步骤: 搭建Eureka注册中心服务 构建商品
1574 3
|
人工智能 监控 安全
NTP网络子钟的技术架构与行业应用解析
在数字化与智能化时代,时间同步精度至关重要。西安同步电子科技有限公司专注时间频率领域,以“同步天下”品牌提供可靠解决方案。其明星产品SYN6109型NTP网络子钟基于网络时间协议,实现高精度时间同步,广泛应用于考场、医院、智慧场景等领域。公司坚持技术创新,产品通过权威认证,未来将结合5G、物联网等技术推动行业进步,引领精准时间管理新时代。
|
存储 编解码 Serverless
Serverless架构下的OSS应用:函数计算FC自动处理图片/视频转码(演示水印添加+缩略图生成流水线)
本文介绍基于阿里云函数计算(FC)和对象存储(OSS)构建Serverless媒体处理流水线,解决传统方案资源利用率低、运维复杂、成本高等问题。通过事件驱动机制实现图片水印添加、多规格缩略图生成及视频转码优化,支持毫秒级弹性伸缩与精确计费,提升处理效率并降低成本,适用于高并发媒体处理场景。
1833 0
|
11月前
|
人工智能 JavaScript 前端开发
GenSX (不一样的AI应用框架)架构学习指南
GenSX 是一个基于 TypeScript 的函数式 AI 工作流框架,以“函数组合替代图编排”为核心理念。它通过纯函数组件、自动追踪与断点恢复等特性,让开发者用自然代码构建可追溯、易测试的 LLM 应用。支持多模型集成与插件化扩展,兼具灵活性与工程化优势。
840 6
|
12月前
|
人工智能 Cloud Native 中间件
划重点|云栖大会「AI 原生应用架构论坛」看点梳理
本场论坛将系统性阐述 AI 原生应用架构的新范式、演进趋势与技术突破,并分享来自真实生产环境下的一线实践经验与思考。
|
12月前
|
机器学习/深度学习 人工智能 vr&ar
H4H:面向AR/VR应用的NPU-CIM异构系统混合卷积-Transformer架构搜索——论文阅读
H4H是一种面向AR/VR应用的混合卷积-Transformer架构,基于NPU-CIM异构系统,通过神经架构搜索实现高效模型设计。该架构结合卷积神经网络(CNN)的局部特征提取与视觉Transformer(ViT)的全局信息处理能力,提升模型性能与效率。通过两阶段增量训练策略,缓解混合模型训练中的梯度冲突问题,并利用异构计算资源优化推理延迟与能耗。实验表明,H4H在相同准确率下显著降低延迟和功耗,为AR/VR设备上的边缘AI推理提供了高效解决方案。
1880 0
|
11月前
|
机器学习/深度学习 自然语言处理 算法
48_动态架构模型:NAS在LLM中的应用
大型语言模型(LLM)在自然语言处理领域的突破性进展,很大程度上归功于其庞大的参数量和复杂的网络架构。然而,随着模型规模的不断增长,计算资源消耗、推理延迟和部署成本等问题日益凸显。如何在保持模型性能的同时,优化模型架构以提高效率,成为2025年大模型研究的核心方向之一。神经架构搜索(Neural Architecture Search, NAS)作为一种自动化的网络设计方法,正在为这一挑战提供创新性解决方案。本文将深入探讨NAS技术如何应用于LLM的架构优化,特别是在层数与维度调整方面的最新进展,并通过代码实现展示简单的NAS实验。
506 0
|
Web App开发 Linux 虚拟化
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件
596 0
Omnissa Horizon 8 2506 (8.16) - 虚拟桌面基础架构 (VDI) 和应用软件