DataFlux是上海驻云自研发的一套大数据统一分析平台，可以通过对任何来源、类型、规模的实时数据进行监控、分析和处理，释放数据价值

DataFlux 作为实时大数据分析平台，支持移动设备数据的收集，是其中非常重要的功能。短期规划，我们的目标是聚焦用户行为分析。下面就用户行为分析这一块展开，从系统设计、原理实现、后期展望来说说 Dataflux 移动设备的收集。

系统设计

移动端的数据采集，通过集成方在应用中集成我们的 SDK 来实现。具体实现如下图：

DataFlux 所有的系统设计都本着一个概念叫旁路，这里摘录一段百度百科的解释：

ByPass Mode（略过模式或旁路模式），泛指在一个系统的正常流程中，有一堆检核机制，而“ByPass Mode”就是当检核机制发生异常，无法在短期间内排除时，使系统作业能绕过这些检核机制，使系统能够继续运行的作业模式。

回到 SDK 的设计，我们引入了程序设计 AOP （Aspect-oriented programming 面线切面的程序设计）的概念，我就这里就不对 AOP 做赘述，相对应原理讲解网上有很多，简单来说集成方只需要进行简单的 SDK 启动配置之后，不需要将我们 SDK的夹杂应用的业务代码，换一种说法，这个就是全埋点。

好处是不要进行埋点的重复工作，另外因为没有和业务代码中添加代码，降低了代码耦合，在版本迭代过程中，不需因为界面或者业务代码变动一同修改，减少了代码维护成本。

当然全埋点也有它的缺点，因为把所有的数据都采集，如何在这些数据中过滤出有价值的数据，又变成了新的课题。我们这里一方面是通过 SDK 配置，通过黑白名单策略对上报采集数据进行过滤，另一方面是通过 Dataflux Web 端的自定义图标来实现。

实现原理

用户行为分析，全埋点这一块，这里 Android 使用了 Gradle Plugin Transform 静态代理的方式写入拦截代码，原理是在代码编译之前，由插件写入需要拦截的方法，iOS 则是在 Runtime，动态代理方式，在程序运行之后，注册拦截方法进行拦截，拦截到方法之后，我们对应应用的界面和用户的行为进行采集，之后以时序数据的方式，上报给 DataFlux服务器，然后用户通过 DataFlux 进行对收集数据进行洞察。

为了解除集成方安全性顾虑我们对SDK iOS 和 Android 进行了开源。

后期展望
在移动设备数据采集规划上，用户行为分析只是一部分，中期规划是采集设备的监控项目，例如，一方面用户行为数据可以根据这些监控数据做关联，另一方面可以作为实时监控手段，主要针对的是手机平板性能监控场景。

目前 SDK 只限于移动端，支持Android、iOS ，后期还会支持Flutter，并且会对支持的设备进行扩充，理论上安装有移动操作系统的设备，都是我们努力的目标，例如TV、车载设备等等。