重编译Linux命令源代码

Jetson系列——重编译内核 博主团队最近新买了一块Jetson NX,打算将之前的ROS项目从树莓派4移植至其上,发现Jetson TX2无法识别手柄。在通过网上查找资料后,发现解决方案,特此记录。 阅读详情
 

以su命令为例。

查看su命令的路径:
# which su
/bin/su

查看su是由哪个包安装的:
# rpm -qf /bin/su
coreutils-5.97-12.1.el5

去网上搜索“coreutils-5.97-12.1.el5.src.rpm”包,注意,后面还多了个“.src”,表示源代码的安装包。

将下载到的源代码的包直接安装是行不通的,需要先安装下列.rpm包:
elfutils-libs-0.125-3.el5.i386.rpm
elfutils-0.125-3.el5.i386.rpm
rpm-build-4.4.2-47.el5.i386.rpm

安装完上面的包,就可以安装任意源代码的包了。注意,使用命令
# rpm -ivh coreutils-5.97-12.1.el5.src.rpm
安装时会报错,但这没影响。安装包依然会在/usr/src/redhat/SOURCES/目录下生成我们想要的。

进入/usr/src/redhat/SOURCES/目录,解压缩coreutils-5.97.tar.bz2:
# bzip2 -d coreutils-5.97.tar.bz2
#tar -xvf coreutils-5.97.tar

进入解压出来的coreutils-5.97目录,各命令的源代码就放在src目录中,需要的头文件放在lib目录中。直接用
# gcc -I/usr/src/redhat/SOURCES/coreutils-5.97/lib/ -E -o su.i /usr/src/redhat/SOURCES/coreutils-5.97/src/su.c
是无法生成预处理文件的,因为源代码需要的某些头文件是由coreutils-5.97目录下的configure脚本产生的,有些头文件是由make命令产生的。

运行configure配置脚本:
# ./configure --prefix=/tmp/coreutils/prefix
其中--prefix参数的作用是指定安装路径为等号后面的“/tmp/coreutils/prefix”,这是一个我自建的目录。configure脚本将生成Makefile文件,这是一个提供给make命令用于编译的配置文件,其中包含当前安装环境的信息。

运行make命令,这里我们需要重定向命令的输出,以便从中查找有用的信息:
# make>/tmp/coreutils/make.log
步骤到此,其实所有命令的可执行程序已经被编译出来了,在src目录下,只是还没移动到我们指定的安装路径去,文件的属性也还没修改。只要再执行
# make install
这个命令才算完全安装完成。这里我们不需要这步。

到这一步,如果你修改了su命令的源代码,想重新编译的话需要把整个所有命令都编译一遍,非常浪费时间。下面介绍下怎么把su.c单独拿出来编译。

我们把su命令的源代码复制到自己的目录下,我这边是/tmp/coreutils/
然后就能预编译了:
# gcc -E -I/usr/src/redhat/SOURCES/coreutils-5.97/lib/ -I/usr/src/redhat/SOURCES/coreutils-5.97/ -I/usr/src/redhat/SOURCES/coreutils-5.97/src/ -o su.i su.c
-E参数告诉gcc只要进行预编译,-o参数告诉gcc将预编译输出到文件su.i,-I/usr/src/redhat/SOURCES/coreutils-5.97/lib/告诉gcc在/usr/src/redhat/SOURCES/coreutils-5.97/lib/目录下寻找头文件。

将预编译文件su.i编译成.o文件:
# gcc -c -o su.o su.i
-c参数告诉gcc将源代码编译成.o文件。

链接静态库libcoreutils.a、动态库libcrypt.so,生成可执行文件su:
# gcc -L/usr/src/redhat/SOURCES/coreutils-5.97/lib/ -L/usr/lib/ -o su su.o -lcoreutils -lcrypt
注意两个-L参数写在一起,两个-l参数写在一起。-L参数告诉gcc库文件的位置,-l参数指明了库文件的文件名。如-lcoreutils,其文件名为libcoreutils,在前面加个lib就行了。至于后缀,没有什么讲究,因为一般名字都不一样,就不深究了。.a库是静态库,链接完可以独立库运行;.so库是动态库,链接完缺少库就不能单独运行。
简单地用
# gcc -o su su.o
会报错,错误信息都是找不到需要的函数。因为.o文件的源代码中调用了本身没有具体实现的函数(可能声明过),这些函数也编译在了包含它的.o文件或者.a、.so文件。在编译成可执行文件时,需要将这些可执行文件一并链接起来。
libcoreutils.a文件包含了编译所有命令可能需要调用的函数。

如何知道一个.o/.a/.so文件中包含哪些函数?使用nm命令:
#nm /usr/lib/libcrypt.so

OK。到此你修改su命令的源代码,可以单独编译它了。不用为了编译su命令的源代码,把整个命令都编译一遍。可以把需要的头文件、库复制下来。其中config.h这个头文件configure脚本产生的,它在/usr/src/redhat/SOURCES/coreutils-5.97/目录下面;localedir.h在/usr/src/redhat/SOURCES/coreutils-5.97/src/目录下面,由make命令产生的。其实localedir.h的内容非常简单
#define LOCALEDIR "/tmp/coreutils/prefix//share/locale"
就是把执行configure脚本时prefix参数的内容后面接上“/share/locale”。完全可以自己写一个。但是make命令还是要执行的,静态库libcoreutils.a是由make命令产生的。
直接把所有头文件复制到一个目录下,-I参数就省了很多。

两个需要的库路径为:
/usr/src/redhat/SOURCES/coreutils-5.97/lib/libcoreutils.a
/usr/lib/libcrypt.so

config.h头文件路径为:
/usr/src/redhat/SOURCES/coreutils-5.97/config.h

其他头文件的路径为:
/usr/src/redhat/SOURCES/coreutils-5.97/lib/*.h
/usr/src/redhat/SOURCES/coreutils-5.97/src/*.h

删除之前安装的命令,很简单,之前configure的脚本指定prefix参数的值为/tmp/coreutils/prefix,参数这个目录就行了。然后还要清除由configure、make产生的文件:
# make clean
# make distclean

解决error while loading shared libraries: libcrypt.so.2: cannot open shared object file 参考网友的博客,以及个人摸索,花费2天时间才解决uwsgi启动报的坑。 阅读详情

相关推荐

操作系统-修改内核及Linux内核重编译

操作系统-Linux修改内核及内核重编译,进我个人主页资源里可查看

weixin_74232595的博客 415

libcrypt.so.2报错version `XCRYPT_2.0‘ not found

/usr/lib/libcrypt.so.2: version `XCRYPT_2.0' not found

努力写BUG的博客 8717

libcrypt-开源

ANSI C 加密库。

【Nginx】./nginx: error while loading shared libraries: libcrypt.so.2: cannot open shared object file

4、如果开发板和LinuxPC都没有,则去搜索下载。复制到nfs共享文件夹,把动态库装到开发板上。3、查询LinuxPC有没有该库。1、先查看该命令所用的动态库。2、查询开发板上是否有该库。

记录嵌入式技能成长的博客 2725

Ubuntu配置Qt Creator树莓派交叉编译环境一步到位

本文详细指导在Ubuntu系统上配置Qt Creator树莓派交叉编译环境。从工具链安装、sysroot创建到Qt库编译,逐步讲解如何搭建完整的ARMv7交叉编译工具链,实现高效开发树莓派应用。

1287

飞思卡尔16位单片机(二)——CodeWarrior开发环境搭建及新建、调试工程

一、安装CodeWarrior 飞思卡尔16位单片机的开发环境为CodeWarrior5.1,这个软件安装比较简单,软件的安装文件可以从相应的网站上下载。安装CodeWarrior所需要的电脑的硬件资源也比较宽泛,目前一般的电脑都可以满足这个要求,可以支持win10、win7等操作系统。安装过程按照按照软件的提示一步步操作即可。 二、安装USBDM驱动 USBDM是...

bigmarshal的博客 1万+

一次冗长繁琐的排错经历

一次冗长繁琐的排错经历 白白忙活了一个下午+半个早饭的时间。感慨一下, 解决问题的思路很重要啊,否者就会像无头苍蝇一样,到处乱撞。 因项目关系,需要在测试环境中开启https,悲剧的是,在经过了机器迁移之后,之前可用的https连接失败了: 而Nginx中也只有寥寥几行的错误日志: 这里首先说明一下,Nginx对HTTPs的支持是通过Module ngx_http_ssl_mo...

weixin_30628801的博客 222

【移远EG800K-CN】从AT指令到MQTT实战:4G模块云端通信全解析

本文详细解析移远EG800K-CN 4G模块的AT指令应用与MQTT云端通信实战。从硬件连接到网络配置,再到MQTT协议的数据上报与命令接收,提供了完整的物联网通信解决方案,帮助开发者快速实现设备与云端的稳定数据交互。

o1p2q3r的博客 561

linux内核重编译,linux内核重编译

1、下载源代码uname -a 查看内核版本为Linux Ubuntu 2.6.32-24-generic。如果只想编译现有版本的内核,可以下载2.6.32版本的;如果想升级内核版本,可以下载更新的版本。Linux源码的官方网址www.kernel.org,下载2.6.32版本内核源代码(linux-2.6.32.tar.bz2),下载目录任意,如/home/gengjia/Download。2、...

weixin_35897007的博客 1339

一文说清STM32CubeMX中文汉化全流程(图解说明)

详细讲解STM32CubeMX中文汉化的完整流程,通过图文并茂的方式手把手教学,解决界面英文带来的使用障碍,让开发更高效。掌握stm32cubemx中文汉化技巧,提升嵌入式开发体验。

weixin_42499004的博客 6290

GD32F105RBT6 keil工程模板

创建GD32F105RBT6的keil初始基础工程,未来的所有外设驱动都是基于这个基础工程进行扩展。

RMDYBW的博客 1932

UnleashedRecomp:Xbox 360版《索尼克:释放》PC重编译移植完全指南

UnleashedRecomp是一个通过静态重编译技术实现的Xbox 360版《索尼克:释放》非官方PC移植项目,为经典游戏带来现代平台支持和高清增强体验。这个开源重编译项目让您能在Windows和Linux系统上享受这款经典游戏,并提供高分辨率、超宽屏支持、高帧率和性能优化等众多现代化功能。 ## 🎯 核心亮点:为什么选择UnleashedRecomp? | 特性 | 优势说明 | 传统模

gitblog_00658的博客 628

基于R语言的PLS算法实现解读

我们使用"pls"包来执行PLS回归,并提供了相应的源代码。在本文中,我们将详细解读基于R语言的PLS算法的实现过程,并提供相应的源代码。PLS算法的实现可以借助R语言中的"pls"包。该包提供了丰富的函数和工具,用于执行PLS回归、PLS-DA(PLS-Discriminant Analysis)和其他相关任务。除了执行PLS回归,"pls"包还提供了其他功能,例如PLS-DA(用于分类问题)和PLS变量选择等。上述代码将基于输入的X值,使用训练好的PLS模型进行预测,并返回预测结果。

TechWhizKid的博客 1051

塞尔达64重编译项目:三平台构建完全指南

还在为经典N64游戏《塞尔达传说:穆修拉的面具》在现代系统上运行而烦恼吗?Zelda64Recomp项目通过静态重编译技术,让这款经典游戏完美运行于Windows、Linux和macOS平台。本文将为你提供完整的跨平台构建指南,让你轻松体验高清重制的塞尔达冒险! **读完本文你将获得:** - 三平台构建环境配置方法 - ROM解压缩与代码生成技巧 - CMake跨平台编译完整流程 - Fl

gitblog_00472的博客 1116

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

RH850从0搭建Autosar开发环境【2X】- Davinci Configurator之EcuC模块配置详解(上)

weixin_42412049的博客 1536

g2o&PCL 四阶多项式拟合

g2o&PCL 四阶多项式拟合

dayuhaitang1的博客 143

Linux内核重编译该怎么解决

内核重编译对很多Linux爱好者来说是一个不小的挑战。笔者认为,很多Linux用户对内核通常有一种误解,他们认为普通用户是不能调整内核的。其实,就实际情况而言,这种认识是不全面的。应该说,内核重编译是具有一定深度和复杂性的,同时也是易失败的配置工作。下面我把我的经历与大家分享,让你们少...

chenzhe3270的博客 268

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

推荐项目:《塞尔达64:重编译》——复古经典的新生命

推荐项目:《塞尔达64:重编译》——复古经典的新生命 【免费下载链接】Zelda64Recomp Static recompilation of Majora's Mask (and soon Ocarina of Time) for PC (Windows/Linux) ...

gitblog_00730的博客 819

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Linux内核重编译常见故障及其解决方法(转)

Linux内核重编译常见故障及其解决方法(转)[@more@]内核重编译对很多Linux爱好者来说是一个不小的挑战。笔者认为,很多Linux用户对内核通常有一种误解,他们认为普通用户是不能调整内核的。其实,就实际情况而言,这种认...

804

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ARM64 设备直接跑 x86_64 程序:Box64 用动态重编译甩开纯解释 10 倍

Box64 让树莓派、RK3588 等 ARM64、RISC-V、龙芯设备直接运行 x86_64 Linux 程序和游戏。面向已有 64 位 Linux 设备、想跨架构跑软件的用户,核心卖点是动态重编译(DynaRec),比纯解释执行快 5~10 倍。 ## 它到底在做什么 Box64 是用户态模拟器:不装第二个操作系统,直接在你的内核上翻译 x86_64 机器码。它把程序按"基本块"切成小段

gitblog_00985的博客 777

终极指南:如何在PC上完美体验《索尼克:释放》重编译版

你是否怀念Xbox 360时代的《索尼克:释放》,但又想在现代PC上享受更高的分辨率、更流畅的帧率和更丰富的图形选项?Unleashed Recompiled项目通过静态重编译技术,将这款经典游戏完美移植到Windows和Linux平台,让你重新体验这款动作冒险游戏的魅力。本指南将为你提供完整的安装教程、优化技巧和实用建议,帮助你轻松在PC上畅玩这款经典游戏。 ## 为什么选择Unleashed

gitblog_00088的博客 879

索尼克释放重编译版:Xbox 360经典游戏PC移植终极指南

Unleashed Recompiled是一款基于静态重编译技术实现的非官方PC移植项目,将Xbox 360平台的经典游戏《索尼克:释放》带到了现代Windows和Linux系统。这个项目不仅实现了跨平台运行,还提供了众多增强功能,让这款经典游戏在现代硬件上焕发新生。 ## 🚀 为什么选择静态重编译而非模拟器? 传统的游戏模拟器需要在运行时动态翻译游戏代码,而静态重编译技术则完全不同。通过X

gitblog_00027的博客 453

SQLSERVER编译与重编译

SQLSERVER编译与重编译 编译的含义 当SQLSERVER收到任何一个指令,包括查询(query)、批处理(batch)、存储过程、触发器(trigger) 、预编译指令(prepared statement)和动态SQL语句(dynamic SQL Statement)要完成语法解释、语句解释, 然后再进行“编译(compile)”,生成能够运行的“执行计划(execution...

weixin_33841722的博客 84

Reopt:重塑应用逻辑的通用反编译与重编译工具

Reopt:重塑应用逻辑的通用反编译与重编译工具 项目介绍 Reopt 是一款通用的反编译与重编译工具,旨在通过分析机器代码来恢复更灵活的程序表示形式,特别是 LLVM 汇编语言。一旦转换为这种格式,用户便可以应用优化工具来优化 LLVM,重新编译应用程序为优化或安全强化的目标代码,并使用 Reopt 将重新编译的代码合并回原始可执行文件中。 Reopt 目前支持 Linux x86_64 程序,...

gitblog_00525的博客 811

linux下重编译aria2c

aria2c详细配置可参考Aria2打造属于自己的下载神器,本文主要介绍, linux下的aria2c编译,破除线程限制 aria2c开机自启动 破解线程限制 测试环境:ubuntu 16.04 x86_64, 下载代码 git clone https://github.com/aria2/aria2.git 代码修改 OptionHandlerFactory.cc,左边是修改过的代...

lyf's blog 1416

N64Recomp性能分析:使用Perf测量重编译代码执行效率

你是否在为N64游戏重编译后的性能优化而困扰?本文将详细介绍如何使用Perf工具测量N64Recomp重编译代码的执行效率,帮助开发者定位性能瓶颈,提升游戏运行速度。读完本文,你将掌握性能分析的完整流程,包括环境准备、数据采集、结果解读和优化建议。 ## 性能分析基础 N64Recomp是一个将N64游戏静态重编译为本地可执行文件的工具。重编译过程中,代码转换的准确性和效率直接影响最终游戏的运...

gitblog_00150的博客 385
上一篇: [转]让国外邮件服务商不再拒收你的邮件,The IP you're using to send mail is not authorized
下一篇: RHEL5.1安装gcc编译器需要的.rpm包
Endoresu
博客等级 码龄16年 15粉丝 21原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值