新闻详情

新闻详情

首页 / 资讯中心 / 详情

《HarmonyOS 7 应用上架与隐私合规工程化》03:第三方 SDK、间接依赖与那张越来越长的隐私清单【鸿蒙心迹】

发布时间:2026/11/5 2:39:25来源:尧图网络
《HarmonyOS 7 应用上架与隐私合规工程化》03:第三方 SDK、间接依赖与那张越来越长的隐私清单【鸿蒙心迹】
我只接了 3 个 SDK为什么隐私政策里要写十几个第一次写隐私政策的时候以为很简单接了哪几个 SDK就写哪几个。后来跑依赖树一看不对。我直接依赖的只有 3 个 SDK但这 3 个 SDK 各自又带了好几个二级依赖。加起来包里有十几个第三方库。每个第三方库都可能收集数据。隐私政策里要一个一个写清楚。一、先想清楚直接依赖和间接依赖先把最基础的问题想明白。类型说明直接依赖你在 oh-package.json5 里写的间接依赖SDK 带进来的你接了 A SDKA SDK 又依赖 B SDK。B SDK 就是间接依赖。二、SDK BOM 清单为什么重要隐私政策要写清楚每个 SDK 叫什么、谁提供的、收集什么数据、用来干什么。这就是 SDK BOMBill of Materials清单。SDK提供方版本收集数据用途统计 SDK公司A1.0.0设备信息、使用时长数据分析认证 SDK公司B2.1.0账号信息登录云存储 SDK公司C1.2.0文件、Token文件存储这段代码解决什么问题依赖树分析。文件oh-package.json5用途第三方依赖管理接入位置项目配置{ dependencies: { stats_sdk: 1.0.0, auth_sdk: 2.1.0, cloud_sdk: 1.2.0 } }跑一下依赖分析ohpm list --all就能看到所有直接和间接依赖。三、升级 SDK 为什么要更新隐私政策很多人升级 SDK 版本只改个版本号不更新隐私政策。不对。SDK 升级了收集的数据可能变了。隐私政策也要跟着更新。操作问题升级 SDK 不改隐私政策隐私政策过时了删功能但留旧依赖包里还带着旧 SDKSDK 权限和 App 权限两套维护对不上四、几个容易踩的坑第一个坑只登记自己主动接入的 SDK。间接依赖的 SDK 没管。第二个坑忽略 SDK 带进来的二级依赖。跑个依赖树才发现多了一堆。第三个坑升级 SDK 后隐私政策没更新。收集的数据变了政策还是旧的。第四个坑删除功能但包仍残留旧依赖。包里还带着不用的 SDK。第五个坑SDK 权限和 App 权限清单两套维护。对不上。第六个坑README 写了收集信息但隐私政策没写。开发者文档和隐私政策不一致。这次做依赖治理最大的体会是合规不是只管自己的代码还要管所有进包的第三方。真正做的时候最容易忽略的不是自己接了几个 SDK而是这些 SDK 又带了多少东西进来。依赖树一展开才知道真正要管的是一整张图。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/4 1:25:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/4 3:51:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉