GMTC2018全球大前端技术大会（大前端的下一站）

性能优化专场

Topic 1 高效可靠的数据端到端传输

主题摘要：

移动App的使用场景经常存在网络不稳定，甚至无网络的情况。如何确保重要信息的稳定传输，就成为了提升用户体验的关键。作为一款通讯产品，Instagram Direct采用了自动重试机制来确保消息的可靠传输；为了确保每个通话中消息的有序性，建立了多队列重试；自动重试会导致更多CPU和网络资源占用，因此需要根据网络状况来有效规划。多媒体消息在网络传输前需要预处理，并且会占用大量网络资源，因此需要单独的队列来传输。

听众受益：

- 移动应用如何应对不稳定的网络状况，实现信息的稳定传输；

- 如何确保信息的有序传播；

- 如何将复杂的重试机制和应用层开发隔离开来；

Topic 2 滴滴出行iOS端瘦身实践

主题摘要：

滴滴出行经过长期产品迭代，项目越来越大，可执行文件占用体积也是。经过一轮大刀阔斧的瘦身后，滴滴是如何开发一套完整的方案使得滴滴在后面不断迭代开发后还能依旧保持苗条身材是我这次大会所要分享的。

听众受益：

学习如何制定以及实施一套工程优化方案。

Topic 3 微信SQLite数据库损坏恢复实践

主题摘要：

SQLite数据库广泛用于移动终端数据存储，虽然有journal等措施在一定程度上保护DB文件，但在海量用户中仍有一定概率在掉电等极端情况造成DB损坏，引起用户数据和配置丢失、crash等问题。微信客户端使用SQLite保存大量聊天记录等重要且服务端没有备份的数据，SQLite损坏造成的损失相当严重。本主题主要介绍微信实践中恢复损坏SQLite数据库所用的几种方法，这些方法的优缺点与适用范围，以及这些方法如何不断演化以适应微信上GB级别的数据量、加密的SQLite数据库和越来越高的成功率要求。另外简单介绍这套方案如何集成到微信客户端数据库组件，如何推广到更多不同平台。

移动AI专场

Topic 1 利用CNN实现无需联网的智能图像处理

主题摘要：

在当下互联网行业中，机器学习、神经网路等技术逐步在业界落地实施，而目前还是大部分集中在服务端技术。由于在移动端硬件等因素的限制，深度学习技术的应用有着诸多困难，2016年我们在客户端使用深度学习的能力做了大量工作，终于在2017年初完成所有技术障碍，并准备在手机百度8.4版本进行上线。 

使用深度学习可以在不发起网络请求的情况下在移动客户端进行图像识别任务。目前，不管是在国内还是国外深度学习领域中，在移动客户端使用深度学习都是前沿技术，业务虽然有一些应用，但是还是有一些移动端的障碍扫清。

本次演讲主要是从图像搜索客户端如何完成从无到有，将CNN完美落地在手机百度上，进行逐步分享。

听众受益：

了解CNN在移端如何落地，会有哪些障碍。进一步在自己的app中应用CNN。

Native动态化专场

Topic 1 手机天猫面向业务的界面解决方案-Tangram

主题摘要：

经过了3年的沉淀，手机天猫沉淀出一套面向业务方的动态界面解决方案——Tangram（预计3月中旬开源）。Tangram承接了手机天猫首页，关注，我的天猫，全链路猜你喜欢等诸多业务性产品。3年来Tangram始终致力于提升开发和运营效率，打造一款面向运营的界面解决方案。当下Tangram关注前后端一体化的开发方式，提升客户端工程师的全栈能力。

听众受益：

-如何权衡框架灵活性完整性与开发效率和性能之间的关系，做到好用够用；
-界面解决方案的完整体系需要包括哪些方面，为什么一个无线端的SDK远远不够；
-当框架日趋完善的情况下，客户端开发工程师如何定位自己，全栈工程师需要怎样的土壤；

移动架构专场

Topic 1 共享代码衍生多款应用的定制框架之经验分享

主题摘要：

在实践当中，可能一个公司需要发布几款基本功能相同，特别功能差异化的产品，如果为每一个产品都维护一套代码，将会大大增加开发工作量，也不易于维护和自动化测试。本议题将会分享一套Flex框架以及其实践中的一些经验，主要包括：如何通过SharedLibrary或Flavor实现一套代码多个应用，如何设计代码管理分支，如何设计Gradle脚本实现多个产品编译，如何为不同产品定制静态功能，如何为同一产品不同账号定制动态功能，如何解决各种复杂的不同产品差异化定制等等，如何对多个产品进行持续集成。

听众受益：

-通过使用相似方案来开发多款类似应用，可以大大节约开发工作量；

-如何应对产品经理各种复杂的定制需求；

-如何最大限度地利用面向对象思想解决重用和定制问题

Topic 2 豌豆荚的反作弊技术架构与设计

主题摘要：

豌豆荚作为国内的最早的应用商店，随着业务的飞速增长，作弊的手段和方式也呈现多样化和隐蔽性，给我们业务和客户带来严重挑战。为此我们设计了一套反作弊移动技术体系，在端上我们整合了市面上的主流方案：1，系统值；2，传感器采集数据分析；3，硬件信息，同时也独创了利用cache特性来做识别。结合端和大数据我们的反作弊成功识别率达到了99%。

听众受益：

-通过使用类似方案，可以极大提高作弊识别成功率；

-如何应对刷量，假用户给业务分析造成的困扰；

-如何利用这套架构设计体系系统地解决移动APP反作弊难题；