Android4.4 wpa_supplicant深入分析之初识wpa_supplicant

Android wifi探究一:初步认识wpa_supplicant与wifi框架梳理 平时和wifi打交道还算比较多吧,wifi出了问题就只能找大神解决,这是件很令人伤感的事情。所以就想自己分析下android源码中wifi的框架,以后wifi出了问题,自己也能尝试的解一解。分析过程必定会有很多理解不到位或者错误的地方,欢迎大家不吝啬恶毒之词,使劲拍砖。 阅读详情

本文主要分析wpa_supplicant_8,主要有三个子目录:

hostapd:当手机进入Soft AP模式时,手机将扮演AP的角色,需要hostapd来提供AP的功能。这就是wifi热点的实现。

wpa_supplicant:Station模式,也叫Managed模式。这是正常使用wifi连接AP的情况。

src:hostapd和wpa_supplicant中都包含一些通用的数据结构和处理方法,这些内容都放在此src目录中。注意,hostapd/src和wpa_supplicant/src子目录均连接到此src目录。

     wpa_supplicant是Android用户空间中无线网络部分的核心模块,所以framework层中和Wi-Fi相关的操作最终都将借由wpa_supplicant来完成。

下图是wpa_supplicant软件架构,去除加密部分的流程框图:

如图的软甲框架包括如下重要模块:

1、wpa_supplicant所有工作都围绕时间(event loop模块)展开。它是基于事件驱动的。wpa_supplicant没有使用多线程编程,所有时间处理都在主线程中完成。

2、位于event loop米快下的driver i/f接口模块用于隔离和底层驱动直接交互的那些driver控制模块。这些driver wrapper和平台以及芯片所使用的驱动相关。由于driver i/f的隔离作用,wpa_supplicant其他模块将能最大程度保持平台以及驱动的无关性。

3、driver wrapper经常要返回一些信息给上层。这些信息通过driver events的方式反馈给wpa_supplicant其他模块进行处理。

4、wpa_supplicant支持较多的配置参数,这些参数的处理由configuration模块完成。

wpa_supplicant命令和控制API

wpa_supplicant对外通过控制接口模块与客户端通信。在Android平台中,wpa_supplicant的客户端是位于framework中的WifiService。用户在Settings界面进行WiFi相关的操作最终都会经由WiFiService通过发送命令的方式转交给wpa_supplicant去执行。

5、命令

wpa_supplicant定义了许多命令,常见命令如下:

(1)PING:心跳检测命令。客户端(android应该是WifiService)用它判断wpa_supplicant是否工作正常。wpa_supplicant收到“PING”命令后需要回复“PONG”.

(2)MIB(Management Information Base,管理信息库):客户端用该命令来获取设备的MIB信息。

(3)STATUS:客户端用该命令来获取wpa_supplicant的工作状态。

(4)ADD_NETWORK:为wpa_supplicant添加一个新的无线网络。它将返回此无线网络的ID(从0开始)。注意,此network ID非常重要,客户端后续将通过它来知名自己想操作的无线网络。

(5)SET_NETWORK<network id><variable><value>:network id是无线网络的ID。此命令用于设置指定无线网络的信息。其中variable为参数,vablue为参数的值。

(6)ENABLE_NETWORK<network id>:使能某个无线网络。此命令最终将促使wpa_supplicant发起一系列操作以加入该无线网络。

6、控制API

Android平台WiFiService是wpa_supplicant的客户端,它和wpa_supplicant交互时必须使用wpa_supplicant提供的API。这些API声明于wpa_ctrl.h中。

客户端使用wpa_ctrl时首先要分配控制对象。下面两个API用于创建和销毁控制对象wpa_ctrl。

//创建一个wpa控制端对象wpa_ctrl。Android平台中,参数ctrl_path代表unix域socket的位置

  1. struct wpa_ctrl * wpa_ctrl_open(const char *ctrl_path);  
struct wpa_ctrl * wpa_ctrl_open(const char *ctrl_path);
  1. void wpa_ctrl_close(struct wpa_ctrl *ctrl);  
void wpa_ctrl_close(struct wpa_ctrl *ctrl);
下面这个函数用于发送命令给wpa_supplicant。

  1. int wpa_ctrl_request(struct wpa_ctrl *ctrl, const char *cmd, size_t cmd_len,  
  2.              char *reply, size_t *reply_len,  
  3.              void (<strong>*msg_cb</strong>)(char *msg, size_t len));  
int wpa_ctrl_request(struct wpa_ctrl *ctrl, const char *cmd, size_t cmd_len,
		     char *reply, size_t *reply_len,
		     void (<strong>*msg_cb</strong>)(char *msg, size_t len));
msg_cb是一个回调函数,该参数的设置和wpa_supplicant中C/S通信机制的设计有关。

wpa_supplicant规定只有打开通知事件监听功能的wpa_ctrl对象,才能在wpa_ctrl_request中通过msg_cb获取通知对象。而打开通知事件监听功能相关的API如下:

//打开通知事件监听功能

  1. int wpa_ctrl_attach(struct wpa_ctrl *ctrl);  
int wpa_ctrl_attach(struct wpa_ctrl *ctrl);
//打开通知事件监听功能的wpa_ctrl对象能直接调用下面的函数来接收unsolicited event

  1. int wpa_ctrl_recv(struct wpa_ctrl *ctrl, char *reply, size_t *reply_len);  
int wpa_ctrl_recv(struct wpa_ctrl *ctrl, char *reply, size_t *reply_len);

如果客户端并不发送命令,而只是想接收unsolicited event,可通过wpa_ctrl_recv函数来达到此目的。

第二篇将正式开始wpa_supplicant的代码分析。





android11 wpa_supplicant_8 解析 阅读详情

相关推荐

android 6.0架构下wpa_supplicant分析

本文根据网上的资料,自己搜集整理。基于android6.0的版本,重新定位了文件的位置,以及调用情况 1. 系统架构         Android WiFi系统引入了wpa_supplicant,它的整个WiFi系统以wpa_supplicant为核心来定义上层用户接口和下层驱动接口。整个WiFi系统架构如下图所示:    一切尽在上图中,下面将对每部分进行详细分

hatchuel的专栏 6994

深入理解wpa_supplicant

第4章 深入理解wpa_supplicant 本章所涉及的源代码文件名及位置 ·BoardConfig.mk build/ target/ board/ generic/ BoardConfig.mk ·android.cfg externel/ wpa_supplicant_8/ wpa_supplicant/ android.cfg ·wpa_supplicant.conf externel/ wpa_supplicant_8/ wpa_supplicant/ wpa_supplicant.conf ·

Android framework 3471

1、wpa_supplicant介绍--配置参数说明

wpa_supplicant工具

u010608421的博客 4349

wpa_supplicant详解

转自:http://blog.chinaunix.net/uid-29181887-id-4826168.html 目前可以使用wireless-tools 或wpa_supplicant工具来配置无线网络。请记住重要的一点是,对无线网络的配置是全局性的,而非针对具体的接口。     wpa_supplicant是一个较好的选择,但缺点是它不支持所有的驱动。请...

zm19930923zm的博客 3万+

wpa_supplicant整体通信架构

wpa_supplicant的启动flow目前网络上已经有一堆了,就不列举了,这里主要说一下启动时,interface有哪些,作用如何,以及整体上下的通信。 wpa_supplicant在启动时,会初始化三个interface,用于跟上下层进行通信,其中有driver interface、L2 interface、 control interface。 三个interface的作用如下: 1, i...

gh201030460222的博客 2603

Android中的Wi-Fi连接过程及wpa_supplicant是如何发挥作用的

综上所述,Android中的Wi-Fi连接过程离不开wpa_supplicant的支持。在Android中,wpa_supplicant负责处理与Wi-Fi网络的连接过程,包括扫描可用网络、建立和管理连接。一旦扫描到可用的Wi-Fi网络,用户可以选择连接某一个网络。此时,Android设备会将连接请求发送给wpa_supplicant,然后由wpa_supplicant与选定的网络建立连接。下面我们将详细介绍Android中的Wi-Fi连接过程,并重点说明wpa_supplicant在其中的作用。

CyberSparkZ的博客 817

Android系统如何移植wpa_supplicant及wifi驱动

1.  将厂商提供的HAL代码复制到hardware目录下,并修改Makefile       例如:realteck、broadcom、ti、qcomm等。   2.  修改ANDROID_SDK /device///目录下的BoardConfig.mk,加入配置信息 例如: BOARD_WIFI_VENDOR := realtek ifeq ($(BOARD_WIFI_VENDOR

撒哈拉的绿洲 1万+

Centos7安装Tesseract5.5.0+SpringBoot集成部署(离线版)

Java 中实现 OCR(光学字符识别)功能,可以使用 Tesseract OCR,这是一个开源的 OCR 引擎,支持多种语言,并且可以在 Java 中通过 Tesseract API 进行集成。

Leopard锋的博客 2321

android wifi framework与wpa_supplicant的交互

ISupplicantStaIfaceCallback在v1.1里有onDisconnected回调,后续的v1.2->v1.3->v1.4 的ISupplicantCallback.hal 都继承前面的版本zheli这里还有连接wifi失败时的ReasonCode、StatusCode、还有连接StateReasonCode常见的有:State常见的有:DISCONNECTED = 0、AUTHENTICATING = 4等。

yudelian的博客 1408

国产麒麟系统中的PaddleOCR离线绿色部署:高效安全的文字识别新纪元

摘要:本文详细介绍了PaddleOCR在银河麒麟V10SP1系统上的离线部署方案。通过Conda虚拟环境隔离依赖,采用离线包安装方式实现无网络部署,支持80+语言识别。重点讲解了模型量化剪枝优化、多线程处理等性能调优技巧,并提供了完整的OCR识别代码示例。该方案具有数据本地化处理的安全优势,适用于医疗票据数字化等对隐私要求严格的场景,同时解决了模型加载失败、内存不足等常见问题。

墨夶的博客 1232

基于FPGA的IIR数字滤波器设计

一种是在直接法的基础上,采用预见的算法,目的是提高系统的吞吐量(指对于网络、端口设备或者其他的设施,单位时间内成功传输数据的数量,比特、字节和分组是吞吐量常用的单位),带有预见算法编程实现的IIR数字滤波器有更多的优点,例如:数据传送速度快,效率高等等;设计模拟滤波器时,它的电路一般都很复杂,而且分析起来也很麻烦,电路的复杂性就决定了使用的器件必定很多,很复杂,就这一方面看来,数字滤波器的设计要更加简单灵活,并且模拟电路不容易改变系统的参数,它的性能还很容易受到温度环境的影响,使得噪声很大。

毕业设计区博客 2156

Android4.4 wpa_supplicant深入分析之wpa_supplicant初始化流程

Android系统中,wpa_supplicant启动是通过“setprop ctrl.start wpa_supplicant”来触发init进程去fork一个子进程来完成的。wpa_supplicant在init配置文件中被定义为一个service。 [cpp] view plain copy print? service wpa_supplicant /

SpringTracker的博客 1523

Windows下用MSYS2一键搞定Verilator安装(附国内镜像加速)

本文详细介绍了在Windows系统下,如何利用MSYS2工具和国内镜像源,快速、高效地完成Verilator的安装与配置。通过替换清华镜像源加速下载,并配合Pacman包管理器,实现近乎一键式的安装流程,有效解决了传统方法步骤繁琐、网络依赖下载慢的问题,为数字电路仿真提供了便捷的Windows环境解决方案。

weixin_29208327的博客 598

第4章 深入理解wpa_supplicant

1]是一个开源软件项目,它实现了Station[1]对无线网络进行管理和控制的功能。根据官方[2]描述,wpa_supplicant所支持的功能非常多,此处列举其中几个重要的功能点。1)支持WPA和IEEE 802.11i所定义的大部分功能支持WPA-PSK(即WPA-Personal)和WPA-Enterprise(即利用RAIDUS认证服务器来完成身份认证的情况)。数据加密方面支持CCMP、TKIP、WEP104和WEP40。注意,WEP104和WEP40中的数字代表密钥的长度。

maimang1001的专栏 4451

超详细的YOLOv8安装与测试指南:让计算机视觉任务变得简单

python3+、Anaconda3或Miniconda3 Ultralytics提供了多种安装方法,包括pip、conda和Docker。通过pip包安装最新稳定版的YOLOv8,或者克隆Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包,避免本地安装。 最简单直接的方式就是直接使用pip方法直接安装。 也可以直接从GitHub仓库安装包。如果你想要最新的开发版本,这可能会很有用。确保你的系统上安装了Git命令行工具

CDBmax的博客 1万+

数据本体论如何指导数仓建模?

数据本体论指导数仓建模的核心在于构建业务语义与数据结构的桥梁。该方法从业务域中抽象标准化知识体系,包含核心概念、属性、关系和规则五大要素,并将其映射为分层数仓模型。通过"业务本体梳理→本体建模→模型映射→治理迭代"的流程,实现数仓从"结构存储"到"语义载体"的升级。相比传统建模,该方法能解决语义不一致、跨域融合难等问题,使数仓具备更好的可扩展性和业务对齐性。实践表明,以数据本体论为指导的数仓建模能显著提升数据资产的可理解性和复用价值。

石榴姐yyds 396

Android调试wifi使用wpa_supplicant和wpa_cli总结

启动WLAN (1)加载驱动 android系统需要先load driver。手动调试dirver ko的时候,先调用insmod命令加载指定的wifi驱动,注意有些wifi ko的加载后面需要添加参数。 再调用iwconfig可以看到驱动是否加载成功,如下,可以看到wlan0已经有了,则驱动加载成功。 (1)ifconfig -a p2p0 Link encap:Ethernet H...

Android/Linux驱动开发传帮带学习,让驱动入门门槛更低! 7210

i.MX6ULL系统移植 | 使用busybox制作根文件系统(1.29.0)

一. 下载BusyBox BusyBox是一个继承了大量Linux命令核工具的软件,像常用的ls、cp、mv、ifconfig等命令。一般下载BusyBox的源码,然后配置Busybox,选择自己想要的功能,最后编译即可。 BusyBox在官方可以直接下载:https://www.busybox.net/。目前最新是1.35.0,这里我使用1.29.0版本。 axel https://www.busybox.net/downloads/busybox-1.29.0.tar.bz2 下载之后解压: tar

Mculover666的博客(嵌入式) 1148

Android4.4 wpa_supplicant深入分析之wpa_supplicant初始化流程续

下面我们将接上一篇文章继续分析main中第二个关键函数wpa_supplicant_add_iface。 wpa_supplicant_add_iface用于向wpa_supplicant添加接口设备。所谓的添加(add iface),其实就是初始化这些设备。 [wpa_supplicant.c::wpa_supplicant_add_iface] [cpp] view pl

SpringTracker的博客 1028

大数据运营可视化:Tableau+PowerBI数据看板搭建教程

当企业数据量从“GB级”跃升到“TB级”,运营人员面临的最大挑战不再是“如何收集数据”,而是“如何让数据说话”。数据看板作为“运营指挥中心的仪表盘”,能将零散的用户行为、业务指标、流量趋势浓缩成可快速解读的视觉语言。本文结合Tableau(自由探索的“数据瑞士军刀”)与PowerBI(微软生态的“组合家具”)两大工具,从需求分析→数据准备→指标设计→视图搭建→ dashboard 组合,一步步教你搭建符合业务逻辑的运营看板。

AI智能探索者的博客 1367

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

wpa_supplicant 框架

1.系统架构 Android WiFi系统引入了wpa_supplicant,它的整个WiFi系统以wpa_supplicant为核心来定义上层用户接口和下层驱动接口。整个WiFi系统架构如下图所示: 1.1 WifiService 由SystemServer启动的时候生成的ConnecttivityService创建,负责启动关闭wpa_supplicant,启动和关闭WifiMonitor线程,把命令下发给wpa_supplicant以及更新WIFI的状态。 处理其它模块通过IWifiManager接

一个Android菜鸟的博客 2008

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")

Android WiFi连接过程 wpa_supplicant 日志分析

本文分析了Android系统中WiFi连接过程的核心日志,重点介绍了wpa_supplicant组件在普通网络(WPA-PSK)和EAP网络(EAP-TLS/PEAP)连接中的关键流程。文章详细解析了扫描、关联、4-Way握手验证等阶段的日志特征,并对比了不同失败场景下的错误日志模式,为WiFi连接问题的定位提供了实用参考。通过底层日志分析,可以准确识别连接失败的具体原因,如密码错误、认证失败或网络不存在等问题。

wenzhi的博客 4390

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。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: wpa_supplicant子系统分析 android 5.1
下一篇: Android4.4 wpa_supplicant深入分析之wpa_supplicant初始化流程
SpringTracker
博客等级 码龄10年 0粉丝 0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