Android API 31的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

WebRTC技術詳解：從0到1構建多人視頻會議系統

為了解決Android API 31的問題，作者栗偉 這樣論述：

這是一本全面、詳細講解WebRTC技術以及如何使用它構建一個可商用的視訊會議系統的著作。   在技術維度，本書不僅詳細講解了WebRTC規範和全部API、信令系統、底層技術、移動端、服務端實現，還總結了作者多年來的“踩坑”經驗；   在實戰維度，本書不僅提供了可直接應用於視訊會議和線上教育等場景的真實案例，還開源了一個可商用的視訊會議系統WiLearning，教讀者如何從0到1搭建一個高併發、易擴展的視訊會議系統。

Android API 31進入發燒排行的影片

最佳化即時多媒體串流系統基於WebSocket網路服務

為了解決Android API 31的問題，作者高語謙 這樣論述：

現今為人手一機的通訊時代，網路電話成為每個人生活中的必需品。2020年以來，疫情不斷的嚴峻及多個地方衍生感染，這就代表著未來的工作模式將會從在家工作（Work From Home，WFH）演變成隨處辦公（Work From Anywhere，WFA），企業及各種公司不僅提供員工居家上班，並且可以透過通訊軟體適時的匯報及討論。不僅僅學校跟進遠端上課，連生病看診都透過視訊的方式來進行溝通，在上述的種種情況下，網路電話無形之中已成為了一項重要的技術。我們每天都使用通訊設備時，偶爾會出現網路訊號不穩、推播遺漏、多裝置接通後無法關閉或是持續響鈴等問題，這些問題常常造成使用者不好的體驗。因此，本篇論文將

著重於實作如何透過Firebase雲訊息傳遞（Firebase Cloud Messaging，FCM）及Apple推播通知服務（Apple Push Notification Service，APNs）實現Android與iOS的推播。除此之外，現今大多數的民眾都享有多台手機，因此，本系統將會透過Socket.IO處理伺服器和客戶端之間進行雙向的即時通訊，並且優化民眾對於多裝置情況下的網路電話接通、掛斷及拒絕服務。

一開始就學對Android：Kotlin與MVVM新架構

為了解決Android API 31的問題，作者湯秉翰 這樣論述：

　　想要學習，就已經具有競爭力特質 　　努力 就該用在對的方法上 　　活用Kotlin特性，完整設計Android APP，開發效率全速提升   　　全球第18位取得Google Android認證的Hank老師，以其豐富的技術教學經驗，精心設計獨一無二的學習步調，使用Google官方公布第一開發語言Kotlin，帶領進入Android開發之路。本書內容是專為邁向全能Android APP開發設計者編寫，全面使用最新Android Studio 4，由淺入深的學習路徑，以實例演練為基礎，解決職場開發人員長久以來面臨的問題，取得領先競爭力。   　　【本書精彩亮點】 　　✪ Kotlin 　

　活用語言特性，全書使用 Google 官方第一開發語言 Kotlin。   　　✪ MVVM 新架構 　　最新官方軟體設計方法 Android Architecture Components(AAC)，　ViewModel、LiveData，解決長久以　來的問題。   　　✪ Google 認證介紹 　　Associate Android Developer(AAD 認證)報考方式、內容、面試、建議。   　　✪ Android Jetpack 　　一開始學習就應該學對，採用 WorkManager、MVVM、AndroidX 等官方建議類別庫。   　　✪ 執行緒、網路連線 　　靈活運用最

受矚目的 Coroutines 協程設計耗時工作，網路連線、API 串接都少不了它。   　　✪ 串接 API 　　從手機讀取外部網站的 API，HTTP 連線、JSON 資料解析，原理、過程、方法、除錯一起帶你熟悉掌握。   　　✪ Android Studio 4 　　最新開發工具，資料庫管理工具 Database Inspector、模擬器內嵌視窗、資料管理，搶得先機。   　　✪ Android 11 　　最新 Android 版本的設計要領，舊的方法不建議使用了？用什麼新方法取代它們？知其然，亦知所以然。

基於資料極值分析的惡意軟體檢測器後門攻擊

為了解決Android API 31的問題，作者賴啓明 這樣論述：

近年來，隨著惡意軟件數量和類型的急劇增加，機器學習(ML)逐漸應用於惡意軟件檢測領域。作為第一層的保護機制，可以顯著提高分析人員的檢測效率。基於機器學習的惡意軟件檢測方法通常需要依靠大量正確的訓練資料才能保有檢測的準確度，這也為其帶來了潛在問題，例如臭名昭著的後門攻擊。在模型訓練階段，攻擊者可以製作一些訓練樣本來毒害惡意軟件分類器，從而在不影響原始檢測效果的情況下誤判帶有後門觸發器的樣本。本文提出了一種與模型無關的後門攻擊特徵選擇方法，而不是根據對特定檢測模型的相關重要性來選擇特徵作為後門觸發器。特別是，我們分析了訓練資料的行為，並選擇目標特徵中的極值作為後門觸發器。觸發器具有隱蔽性，因為它

是從特徵中的現有值中選擇的。實驗結果表明，從效率和有效性的角度來看，我們的方法優 於現有的模型依賴攻擊。