EOS资源汇总

FLy_鹏程万里 FLy_鹏程万里 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.3k累计阅读 2.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-09-16 10:34:35 发布 2.3k 阅读 AI 写同款· GEO 优化 ›
EOS开发技术资料汇总 EOS 主网 超级节点 https://eos.live，EOS 竞选节点列表，by SuperONE https://www.imeos.one/block-producer，EOS 竞选节点列表，by IMEOS https://eosnodes.privex.io，privex.io 出品 GitHub https://github.c... 阅读详情

EOS 主网

超级节点

GitHub

主网启动相关

主网启动状态

映射查询

区块浏览器

主网投票状态

主网投票

DevOps

文档

开发

安全

资源

社区

资讯

博客

空投

导航

下载

视频

工具

账号相关工具

浏览器插件

其他工具

EOS 钱包

硬件钱包

移动端

Web 钱包

浏览器插件钱包

开源钱包

Dapp

Dapp 展示

DApp 生态

  • EOS LIVE，EOS 社区首个产品与资讯聚合平台
  • AWOO!，允许用户合作完成共建更好的社会，目标是带来和平，繁荣和丰富
  • AZARUS，一个公平，可靠，透明的平台，用于玩令牌和下注。专门针对视频游戏行业而构建。
  • Billionaire Token，致力于成为首个在 EOS 区块链网络上运行的博彩娱乐场。代币通缩机制，通过分布式抽奖和智能合约每周销毁 XBL 代币。
  • Cards & Tokens.，可收藏的数字卡平台，用户可以上传内容并赚钱
  • Carmel.io，开源教育平台，可帮助有抱负和经验丰富的软件开发人员通过 token 化同行挑战来增长他们的技能并跟踪他们的成长
  • Chaince，专注 EOS 生态的区块链资产精品交易平台，支持糖果空投，主打严选项目，不收上币费
  • Chintai，Chintai 是一个由 EOS 节点候选者 EOS42 团队推出的 EOS 代币租赁平台，EOS 持币者就像是那些持有商业房产的投资客，而开发者是需要租用场地办公定期付租金的公司，双方各取所需，盘活了整个地产市场，而 Chintai 则是不收中介费的链家，这是一门相当有前景的生意
  • DEOS Games，赌场的边缘，赌场的平台
  • emanate，艺术家之间合作的音乐技术平台。 凭借智能合约，emanate 允许艺术家通过合作获利
  • EOS Bet，赌博系统，投资者可以支持房屋并获得股息
  • EOXCommerceA，分散的电子商务平台，允许使用基于 EOS 的加密货币和加密资产
  • EOSfinex，著名的交易所 Bitfinex 开发一个高性能、去中心化的交易所
  • EOS Gems，EOS 区块链上的收藏宝石游戏
  • Everipedia，一个众包的 wiki 平台，在线百科全书和知识库
  • HorusPay，分散的全球薪资门户网站，允许公司与国际薪资供应商交换私密的加密数据
  • HireVibes，一个众包型的去中心化求职招聘平台，解决中心化招聘平台收费高匹配度低的痛点
  • Insights Network，基于 EOS 的数据交易市场，用户可以直接出售他们的数据而不需要通过第三方
  • Karma，KARMA 旨在激励用户在世界上做得很好，并接受 KARMA 帮助人类
  • IRYO，去中心化的医疗数据，病人可以控制谁可以使用它并可以随身携带
  • Lab Ledger, A social media, crowdfunding website for scientists.
  • Onepay，帮助商家接收加密货币的支付钱包，传统的支付系统依靠中央银行和信贷机构，ONEPAY 的去中心化 POS 系统运行在 EOS 区块链上，只需付出一小部分成本即可闪电般交易
  • Oracle Chain，让世界与区块链互联
  • ONO，一个年轻人泛社交 App，定义了注意力价值，鼓励自由表达。目前社区已经初步形成
  • Plactal，Plactal 瞄准的是电子游戏市场。它通过收集每个玩家的信息做出分析，然后提供给游戏公司精准的广告投放信息
  • Scatter，用于保存身份和密钥安全的钱包。 项目的区块链部分是用于在应用程序和用户中建立信任
  • Sense，是一个 P2P 聊天机器人平台，便于任何两个用户通过各种不同的聊天工具实时对话，Sensay 利用人工智能匹配算法找出互相配对的用户
  • Seyara，一个开放的协议，以建立真正分散的点对点市场
  • SFEOS，玩家可以自己创建的，高沉浸式的体验游戏
  • Starteos，智能数字钱包，支持 EOS
  • Tokena，首个基于 EOS 的去中心化交易所
  • Trade Stuf，一个建立在 EOS 区块链上的高效，去中心化教育生态系统
  • TXT，支付观众的去中心化广告经济。 旨在激励观众观看所有人都获利的广告
  • Uncloak，将自己描述为世界上第一个基于区块链技术的网络威胁解决方案，通过一个完全自动化的区块链系统来解决网络威胁的弱点
  • Unico，去中心化数字收藏
  • Zimbra X，下一代 Zimbra 电子邮件和协作平台
  • EOS 超级矿工，EOS Asia 孵化的一款游戏：EOS 超级旷工，不发币，直接使用 EOS，奖池的 90% 左右的 EOS 全部返还给玩家，排行榜动态设计，保证后来的玩家的公平，总之我玩了几天感觉上手容易，既公平，也有趣味性，很快就上线，预约地址 http://eosminer.vip

 

后续会陆续进行补充说明！

收录于
EOS基础

当前文章被收录于：

EOS基础
27 篇文章 1 人学习

EOS基础

订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
一文带你玩转Fantom Fantom是全球首个基于 DAG 技术并支持智能合约的高性能公链，致力于解决现存区块链技术的可拓展性和处理时间的问题。TokenPocket现已正式支持Fantom公链。 创建Fantom钱包 1、打开TokenPocket，点击左上角切换钱包底层，然后选择Fantom，点击【添加钱包】； 2、点击【创建钱包】，创建方式中选择【创建钱包】； 3、依次设置【钱包名称】和【密码】，勾选【服务及隐私条款】，点击【创建钱包】；然后开始备份助记词，点击【备份完成，进行验证】； ... 阅读详情

相关推荐

EOS账号ram,cpu资源用尽了，啥都不能干了，怎么办

     核心原因是抵押CPU这一操作本身需要CPU，所以就存在鸡生蛋，蛋生鸡问题。解决方法就是让其他人帮你抵押CPU或者法币租赁CPU，详情如下： 问题重现case1     比如如下账号testtest1233，ram, cpu资源都没有了 因此创建新账号失败 于是想着购买cpu，结果失败 那购买ram，却仍旧失败     所以进入了一个死循环，没有ram没法购买c...

区块链斜杠青年(爱踢门) 1万+

库 01_EOS 普元 EOS Platform 7.6 开发版安装时没装coframe，后续再部署coframe源码的操作步骤

库 01_EOS 普元 EOS Platform 7.6 开发版安装时没装coframe，后续再部署coframe源码的操作步骤

普元开发者乐园 2810

EOS开发资源汇总

原文： https://steemit.com/eos/@eostribe/the-big-list-of-eos-developer-resources  作者：EOS Tribe（@sf2） 在EOS主网络推出仅三个月后，EOS区块链正迅速增长其用户和开发者社区。 在撰写本文时，EOS已达到20,000,000多个可逆块，并实现了大约3996个每秒事务（TPS）的吞吐量。 更令人印象深刻...

QC班长的博客 1372

TP 钱包插件版本的使用

介绍TP（TokenPocket）钱包的插件版本安装，助记词、密码恢复

weixin_t1452030的博客 6万+

fastbin attack快速入门

0x01 fastbin简介 Fastbin包含0x20~0x80大小bin的数组指针，用于快速分配小堆块。fastbin按照单链表结构进行组织，相同大小的bin在同一个链表中，fd指向下一个bin，采用LIFO（Last In First Out）机制。在fastbin中，堆块的inuse标志都为1，处于占用状态，防止chunk释放时进行合并，加快小堆块的分配。 正常fastbin的使用 通过这个简单的案例来了解fastbin的单链表结构，malloc和free的过程。 #include<stdio

abelxu 1571

在MacBook上直接跑Windows Server 2022：一个开发者的真实踩坑与配置全记录

本文详细记录了在MacBook上原生运行Windows Server 2022的完整流程与优化技巧。通过Boot Camp实现非虚拟机安装，开发者可以充分利用Mac硬件性能，搭建高效的本地开发环境，特别适合需要测试跨平台应用和服务器功能的场景。文章涵盖驱动处理、分区策略、Docker配置等关键步骤，为技术极客提供实用指南。

weixin_42620913的博客 247

第9课 如何变更EOS账号的active key和owner key？

1，摘要 【本文目标】 通过本文学习，可以通过EOS本地环境完成EOS注册账号的active key和owner key的变更。 在EOS账号是其他人代为注册时，私钥往往也被其他人知晓，存在泄漏风险，建议尽快完成变更。 【前置条件】 1）参考第8课 如何使用开发环境命令行注册EOS靓号？文章，已完成了靓号的注册和环境搭建。 【技术收获】 1） cleos set account permissi...

辉哥的技术投资路 1万+

别再死记硬背了！用LTspice和Simulink仿真，5分钟搞懂巴特沃斯、切比雪夫、贝塞尔滤波器的区别

本文通过LTspice和Simulink仿真工具，直观对比了巴特沃斯、切比雪夫和贝塞尔滤波器的特性差异。从通带波纹、过渡带陡峭度到相位线性度，详细解析了三种经典滤波器的设计哲学与应用场景，帮助工程师和学生快速掌握滤波器选型技巧，提升电路设计效率。

weixin_33910191的博客 523

EOS 柚子开发资源汇总

EOS 柚子开发资源超级汇总导航站，你想知道的EOS 柚子资源都在这里。 EOS官网 EOS白皮书(英文版) 技术白皮书 - 中文版， EOS白皮书(中文版)一份中英对照 Blockone官网 中文版wiki EOS Storage白皮书 EOS Storage白皮书中文版 EOS官方博客：https://steemit.com/@eosio EOS开发博客：https://...

跨链技术践行者 9991

Abaqus边界条件设置避坑指南：为什么你的实体单元转动自由度总是不生效？

本文深入解析了Abaqus中实体单元转动自由度设置失效的根本原因。从力学原理与有限元节点自由度的本质区别出发，阐明了实体单元仅具有平动自由度，直接约束其转动自由度是无效操作。文章提供了对称边界条件的正确设置方法，并给出了使用耦合约束等高级方案来模拟真实抗转动约束的实战指南，帮助用户避免常见建模陷阱。

weixin_29290379的博客 621

PubMedBERT：生物医学NLP中的垂直领域预训练实践与性能突破

本文深入探讨了PubMedBERT在生物医学NLP领域的应用与性能突破。作为专为生物医学文本设计的预训练模型，PubMedBERT通过全词掩码策略和BLURB基准测试，显著提升了命名实体识别、关系抽取等任务的准确率。文章还提供了PubMedBERT的实战应用案例和代码示例，展示了其在医学文献检索和电子病历结构化中的卓越表现。

kite3的博客 285

EOS技术开发资料汇总

EOS 主网 超级节点 https://eos.live，EOS 竞选节点列表，by SuperONE https://www.imeos.one/block-producer，EOS 竞选节点列表，by IMEOS https://eosnodes.privex.io，privex.io 出品 GitHub https://github.com/EOSIO，官方源码 htt...

mongo_node的专栏 4062

把财务与管理会计装进一张表：读懂 S/4HANA 的 ACDOCA

别慌，这反而是设计所需。只是大量历史上为汇总、加速而建的索引与汇总表被淘汰或改造，很多被兼容视图 compatibility views 替代，通过视图去 ACDOCA 或 ACDOCT 取数，从而保证老代码还能 SELECT 到数据，但失去写权限。它把原来分散在多张表里的信息整合到一起，例如总账、固定资产、物料账、盈利能力分析 CO-PA、成本控制等维度，发布过的资料多次强调这一点。其二，查询必须带上高选择性的条件，尤其是 RLDNR、RBUKRS、GJAHR 这三个维度，能大幅降低列存扫描的代价。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 950

ETH&EOS开发资源及工具集合（完整汇总版）

ETH&EOS开发资源及工具集合（完整汇总版） 3113 ETH开发资源篇 一、开发语言 · Solidity - 官方推荐以太坊智能合约开发语言，也是目前最为主流的智能合约语言 · Bamboo - 是一种将智能合约描述为有限状态机的语言，把智能合约看成一个状态和交易的函数，同时生成一个新的状态 · Vyper ...

weixin_30886233的博客 636

【数据分享】12.5米分辨率DEM地形数据（分省）

该数据来源于NASA地球科学数据网站（https://nasadaacs.eos.nasa.gov/），是ALOS卫星获取的高精度地形数据。该数据由于精度高，包括全省范围的数据和省内每个城市范围的数据！

JData_Engineer的博客 2172

PX4实战（四）：PX4 uorb模块详解

本节主要讲解PX4中的uorb消息，主要包括uorb的基本概念使用、PX4内重要的uorb消息、如何自定义uorb消息以及使用uorb消息的注意点等，其中讲解重要uorb消息是为了对PX4内重要数据结构有初步的了解，有助于后期算法理解。uORB（micro Object Request Broker）是PX4中用于模块间通信的轻量级发布-订阅（Publish/Subscribe）机制。模块之间可以通过uORB传递消息，无需直接调用对方函数；提高系统模块化与解耦性；

PX4-SLAM-PNC 1932

EOS基础全家桶（三）资料汇总

简介 EOS的生态在经过快2年的成长，已经变得更加的饱满，那么为了便于大家学习EOS，我这里整理了一些EOS相关的资料网站。 以下是我整理的一些EOS相关的资料的网址： 汇总 EOSIO 官方技术文档 EOS技术开发资料汇总 EOS 资源汇总 EOS区块链开发指南 原理 关于EOS内存你需要知道的11条 EOS的CPU/带宽恢复周期是多久 EOS入门指南PART6——别忙着开发，先来看看智能合约数...

fishopark的博客 361

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

EOS网址导航

#官方网站 EOS.io   EOS Blog    BlockONE   #官方文档 Github    白皮书    路线图    版本列表   #开发文档 Awesome-EOS    HTTP API    EOS Developer 官方开发入门   英文     中文 官方API文档   英文     中文   #ÐApps EOS Projects    EO...

agecntao的专栏 462

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")

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

EOS开发资源推荐

1. EOS DAPP 相对来说比较全面的一个网址 https://github.com/heshaofeng1991/eos_dapp_development_cn 2. 安利一个EOS的客户端 https://github.com/heshaofeng1991/js4eos 3.区块链开发者指南 http://eosdata.io/ 4. 区块链开发社区 https://deve...

qq_17168637的博客 276

Camera2Demo

在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作

EOS区块浏览器

EOS区块浏览器(主网） https://bloks.io/   https://eospark.com   https://www.myeoskit.com   https://explorer.eoseco.com   https://eostracker.io   https://eosflare.io   麒麟测试网 https://tools.cryptoky...

q_776355102的博客 3441

EOS错误代码及中文释义

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34402090的博客 693

eos 空投列表网址 及 工具网站列表

https://eosdrops.io https://www.shensi.com/#/eos     eos 区块链浏览器: https://eostracker.io/ https://eospark.com eos ram 交易价格变化实时图形： https://dapp.mytokenpocket.vip/ram/index.html?from=nav https://eos.feexp...

weixin_34198762的博客 344

区块浏览器

BTC 正式网 https://btc.com/ 测试网 BCH 正式网 https://bch.btc.com/ 测试网 LTC 正式网 https://ltc.btc.com/ https://ltc.ihashrate.com/ https://ltc.tokenview.com/ 测试网 USDT 正式网 https://omniexplorer.info/ 测试网 EOS 正式网 https://bloks.io/ 测试网 https://jungle.bloks.io/ ETH 正式网 http

Jc0803kevin的专栏 1790

工业通信协议选型指南：Modbus、OPC UA、MQTT与TCP/IP详解

工业通信协议是智能制造与设备互联的基石，常见的有Modbus、OPC UA、MQTT、TCP/IP等。它们分别承担着从现场设备到控制层、信息层乃至云端的传输任务：Modbus作为经典主从协议，适合PLC与变频器间的寄存器读写；OPC UA通过统一信息模型实现异构系统语义互通；MQTT以发布订阅模式支撑弱网环境下的设备上云；TCP/IP则是一切以太网通信的基础。理解四者的分层定位与适用边界，能够有效避免选型失误，提升系统实时性与可维护性。结合自动化金字塔与IT/OT融合场景，梳理各自原理、调试工具与典型应用，

weixin_34184561的博客 439

EOS资源模型

本文从3个角度入手，介绍资源相关的方面： 一、EOS资源介绍 EOS网络中主要有3种资源，即CPU、NET和RAM。 CPU和NET通过抵押EOS获得，属于可恢复资源，用于交易的计算和带宽。 RAM需要向系统购买，属于固定资源，主要用于存放账户信息（包括账户名、授权和智能合约的代码、abi）和存放账户数据（一般是智能合约的数据）。 RAM是固定资源，买多少就拥有多少，有多少就可以用多少，没有...

区块链之路 1283

EOS的cpu，net，ram资源价格计算

net和cpu资源价格 EOS系统中，cpu和net资源是通过抵押eos获取的。抵押的时候只记录了抵押cpu/net对应的eos数量，获取到的资源不是固定的，而是在使用的时候会按照当前你所抵押eos的数量占全网抵押总量的比例实时计算的，最终体现为limit的值。实时计算由 eos/libraries/chain/resource_limits.cpp 中 get_account_net_limit_ex 和 get_account_cpu_limit_ex 方法实现。 用 /v1/chain/get..

星瀚 9932
上一篇： EOS 命令行钱包
下一篇： EOS代码架构及分析（一）
点赞 0
评论 0
书签 书签 2
FLy_鹏程万里
FLy_鹏程万里 优质创作者: 后端开发技术领域 优质创作者: 后端开发技术领域 领域专家: 操作系统技术领域 领域专家: 操作系统技术领域
博客等级 码龄9年 1万+粉丝 1364原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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

打赏作者

FLy_鹏程万里

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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