某奇门遁甲的相关分析

翻到以前的文章,无事都整过来,方便以后翻阅。

偶遇一android应用软件,奇门遁甲,一直以来,对于中国的传统文化一直很敬畏,很憧憬,很向往,打开这个软件一看,竟然需要注册!!还得花人民币!!还有广告墙!!

一时间,急火攻心,然后打开我的工具,准备破解之旅~

首先对xxx.apk反编译,查看目录

发现有这个广告包,经过多年的经验,这个是有米平台的广告包,应该广告墙也是他家的,好吧,既然知道这个,那就好办多了,以前也研究过有米的sdk,可以在自己写的app中使用广告,所以逆向起来,就非常简单了。

下面开始正式的破解之旅:

我们首先将这个smali/net/youmi删掉

然后再进行查找

好了,这样就简单多了,就这几个文件调用,通过分析AndroidManifest.xml文件,我们可以清楚的知道主activity,就是上面进行搜索的.An_QimenActivity,好了,我们打开它

进行如上操作即可,然后我们继续搜索

通过以上步骤,读者一定明白了,我们这里删除的只是广告平台提供的接口,我们只要一一进行删除去掉既可,不过要注意上下文,别误删了代码~

然后我们对其他文件也进行删除,将youmi字段的调用方法全部删除既可,这样这个应用就会被我们破解掉,达到免费使用~

继续,打开软件,点击注册:

发现竟然提示注册码不对,好吧,记下特征字符,转义一下,我们继续搜索\u60a8\u8f93\u5165\u7684\u6ce8\u518c\u7801\u4e0d\u5bf9

如上文解释~

这样,我们可以直接安装到手机上测试这个软件,效果则会如我们想象中的一般,好吧,这次的破解就到这里。

请勿将此文中知识非法传播,进行商业用途~!

后记:

看完自己以前的文章,感觉当时菜菜的,嫩嫩的,以为懂一点破解就开始写文章发出来,太浮躁了。。。

此apk也是我一直在用的,后期新版更新后,有更好的破解方法,这里大家自行寻找即可。。。

虽然奇门遁甲的书看了一些,不过还是不够太懂。平时研究多的还是六爻,有同样兴趣的道友,可以相互交流哈~

破解完毕可使用的软件,可以去这里,我一个朋友的站点,这类八卦方面的破解版应用挺多的

http://www.apkeasy.cn/

时间: 2024-08-26 18:38:02

某奇门遁甲的相关分析的相关文章

SPSS数据分析—基于最优尺度变换的典型相关分析

传统的典型相关分析只能考虑变量之间的线性相关情况,且必须为连续变量,而我们依然可以使用最优尺度变换来拓展其应用范围,使其可以分析非线性相关.数据为分类数据等情况,并且不再仅限于两个变量间的分析, 虽然具体算法非常复杂,但是过程却只要两步,首先对变量进行最优尺度变换,然后对其进行典型相关分析. 我们还是以之前的多重对应分析的案例数据进行分析 过程还是在分析—降维—最佳尺度

SPSS数据分析—相关分析

相关系数是衡量变量之间相关程度的度量,也是很多分析的中的当中环节,SPSS做相关分析比较简单,主要是区别如何使用这些相关系数,如果不想定量的分析相关性的话,直接观察散点图也可以. 相关系数有一些需要注意的地方: 1.两变量之间存在相关,仅意味着存在关联,并不意味着因果关系.2.相关系数不能进行加减乘除运算,没有单位,不同的相关系数不可比较3.相关系数大小容易受到数据取值区间大小和数据个数大小的影响.4.相关系数也需要进行检验确定其是否有统计学意义 相关系数的假设检验中H0:相关系数=0,变量间没

数学建模算法(二):相关分析

1.典型相关分析 R test<-read.csv("D:\\data\\hongputao_l.csv",header=T) test2<-scale(test[,1:10]) ca<-cancor(test2[,1:8],test2[,9:10]) #由ca分析结果可知典型变量应选1.2两对 U<-as.matrix(test2[, 1:8]) %*% ca$xcoef V<-as.matrix(test2[, 9:10]) %*% ca$ycoef

相关分析sas

相关分析是对进一步分析的很多帮助的一种分析方法,通过简单的散点图可以直观的看出两个变量之间的关系 1:corr procedure解决两个连续变量间的关系 2:列联表分析一般研究离散变量或定性变量间是否存在相关关系,通过proc freq实现 2.1:两个定性变量(其中一个无序)之间有无关系可以通过卡方分布检验 2.2:两个定性变量之间有无因果关系可以通过趋势检验 /***********************************************proc corr*********

【数理统计基础】 06 - 相关分析和方差分析

1. 相关分析 1.1 相关系数 在一堆变量中,找到并分析它们之间的关系,是复杂环境和模型中的重要任务.由于线性关系的特殊.常见和简单,数学上往往采用线性关系来逼近实际关系.上篇的线性回归以及概率论中的线性回归,更关注的是线性函数的参数估计.如果想单纯地度量随机变量的线性关系,直接讨论相关系数即可,请先复习斜方差的相关概念. 两个变量之间的线性关系,就是之前学过的协方差的概念\(\text{Cov}(X,Y)\).在得到\(n\)个样本\((X_i,Y_i)\)后,容易得到式(1)的无偏估计,注

相关分析和回归分析

相关分析 相关分析定义 相关分析(correlation analysis),相关分析是研究现象之间是否存在某种依存关系,并对详细有依存关系的现象探讨其相关方向以及相关程度,是研究随机变量之间的相关关系的一种统计方法. 相关关系是一种非确定性的关系,比如,以X和Y分别记一个人的身高和体重,或分别记每公顷施肥量与每公顷小麦产量,则X与Y显然有关系,而又没有确切到可由当中的一个去精确地决定还有一个的程度,这就是相关关系. [编辑本段] 相关分析的分类 1.线性相关分析:研究两个变量间线性关系的程度.

R语言 典型相关分析

1.关键点 #典型相关分析##典型相关分析是用于分析两组随机变量之间的相关程度的一种统计方法,它能够有效地揭示两组随机变量之间的相互(线性依赖)关系#例如 研究生入学考试成绩与本科阶段一些主要课程成绩的相关性#将研究两组变量的相关性问题转化为研究两个变量的相关性问题 此类相关为典型相关##总体典型相关#样本典型相关#典型相关计算 cancor(x,y,xcenter=TRUE,ycenter=TRUE)#x,y是相应的数据矩阵 xcenter,ycenter是逻辑变量 TRUE是将数据中心化 F

BZOJ4817 SDOI2017 相关分析

4821: [Sdoi2017]相关分析 Time Limit: 10 Sec  Memory Limit: 128 MBSec  Special Judge Description Frank对天文学非常感兴趣,他经常用望远镜看星星,同时记录下它们的信息,比如亮度.颜色等等,进而估算出 星星的距离,半径等等.Frank不仅喜欢观测,还喜欢分析观测到的数据.他经常分析两个参数之间(比如亮度和 半径)是否存在某种关系.现在Frank要分析参数X与Y之间的关系.他有n组观测数据,第i组观测数据记录了

典型相关分析相关资料

典型相关分析的基本思想 Canonical Correlation Analysis CCA典型相关分析 (canonical correlation analysis)利用综合变量对之间的相关关系来反映两组指标之间的总体相关性的多元统计分析方法.它的基本原理是:为了从总体上把握两组指标之间的相关关系,分别在两组变量中提取有代表性的两个综合变量U1和V1(分别为两个变量组中各变量的线性组合),利用这两个综合变量之间的相关关系来反映两组指标之间的总体相关性. Canonical Correlati