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
2.1k累计阅读
2.1k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
1、下载：
git clone git://git.netfilter.org/iptables.git
2、生成config文件：
2.1 我虚拟机中没有安装git，是从Windows下下载的，需要转换一下换行符：
2.2 增加一下交叉编译工具链的环境变量：
2.3 一步生成config文件
autoreconf -i
3、生成Makefile
prefix填写自己本地的安装路径即可。./configure --prefix=/home/***/work/iptables/output --host=mipsel-linux --disable-nftables
4、make
make
我下载的是1.6.2的版本，编译时会有两个地方提示文件不存在，直接屏蔽掉相关头文件中的include就好。
5、make install
这里会提示mipsel-linux-gcc command not found，打开相关文件，直接指定绝对路径，可以解决。sudo make install
iptables交叉编译（Hisiav300平台）
参考文章：https://blog.youkuaiyun.com/Bgm_Nilbb/article/details/135714738。
iptables交叉编译及使用方法
本文主要讲述linux wifi做中继时使用iptables的方法，及iptables交叉编译时遇到的一些问题在编译以下开源库时不同编译工具链编译结果可能存在差异（其他编译器可能存在编译不过的情况）
iptables 编译内核 iptables-1.4.6.tar.bz2
iptables 源码包安装，编译linux内核
iptables 交叉编译
https://www.cnblogs.com/eleclsc/p/11686287.html 防火墙在做数据包过滤决定时，有一套遵循和组成的规则，这些规则存储在专用的数据包过滤表中，而这些表集成在 Linux 内核中。在数据包过滤表中，规则被分组放在我们所谓的链（chain）中。而netfilter/iptables IP 数据包过滤系统是一款功能强大的工具，可用于添加、编辑和移除规则。 虽然 netfilter/iptables IP 信息包过滤系统被称为单个实体，但它实际上由两个组件netfilt.
iptables-1.8.5.tar.xz
使用gcc进行交叉编译后的可执行程序和lib库文件。arm64，使用的是aarch64_linux_gnu_gcc交叉编译，同时需要内核模块打开才能支持扩展功能。
UFS 3.1协议分析(第五章) -- UFS协议栈
ContentsUFS顶层架构应用层UFS命令集UFS 设备管理器UFS任务管理器传输层互连层 UFS顶层架构 UFS基于SCSI SAM架构模型定义了一个完整的协议栈，从上到下依次为应用层、传输层、数据链路层、物理层。UFS使用MIPI联盟的UniPro作为数据链路层和MIPI的M-PHY作为物理层，两者合起来称之为互连层（UFS InterConnect Layer） 应用层 应用层包括UFS命令集、设备管
iptables交叉编译(ubuntu系统)
● 如果报fatal error: libnfnetlink/libnfnetlink.h: No such file or directory错误，是因为iptables会检查libnfnetlink，如果已经安装libnfnetlink，需要卸载，configure只检查编译机器，不检查交叉编译链。源码包下载地址：http://www.netfilter.org/projects/iptables/downloads.html。最终生成的二进制目录为步骤4中--prefix指定的目录。
BRep实战指南：从理论到文件格式的全面解析
本文全面解析BRep（边界表示法）从基础概念到文件格式的实战应用。详细介绍了BRep的数学定义、工业应用场景，以及STEP、IGES等主流文件格式的对比与使用技巧，帮助读者掌握三维建模核心技术并优化性能。
arm-himix200-linux 交叉编译iptables
一.安装交叉编译环境arm-himix200-linux 1.下载交叉编译工具：arm-himix200-linux 百度网盘链接：https://pan.baidu.com/s/1XuRLd3J6S68X_k6Sq1DmwA 提取码：dzas 2. 安装交叉工具 a.放置到x86 Linux的目录,如/tmp b.解压下载的压缩包 $ tar zxvf arm-himix200-linux.tgz 解压后会得到如下目录 c.执行 $ sudo ./arm-himix200-linux.install 3
【STM32】R05D电控红外协议的美的空调遥控器
目录一、设计思路一、R05D红外协议原理1.协议手册理解2.验证时序（重点）二、硬件实现1.需要的材料2.对发射模块电路进行修改3.STM32 GPIO选择三、代码实现1.载波38kHZ实现2.R05D时序实现3.调用函数并验证 一、设计思路 通常红外遥控采用NEC传输协议，而美的空调采用的是R05D红外协议（应该是自己设计的协议），因此用一般红外编码发射模块无法直接对空调进行控制。 解决方法：获取R05D协议手册 + 用红外接收管对原有遥控器红外接收进行波形分析。 一、R05D红外协议原理 R05D电控功
树莓派IgH EtherCAT主站部署与实时内核调优实战
本文详细介绍了在树莓派上部署开源IgH EtherCAT主站并进行实时内核调优的完整实战流程。通过编译实时内核（RT-Preempt）、交叉编译IgH主站、系统集成配置及性能优化，实现了低成本、高定制的工业控制解决方案，有效满足了EtherCAT通信对微秒级实时性的严苛要求。
Linux下WiFi工具网络转发iptables交叉编译，及其支持iptables使用的内核配置
AP热点以nat方式连接到网络，需要用到iptables这个工具来实现网卡的网络转发代理上网的功能，让我们网卡配置的AP热点实现上网功能。 1.iptables转发nat需要内核的支持，内核的配置： [*] Networking support ---> Networking options ---> [*] Network packet filterin...
Paho Asynchronous MQTT C Client Library--MQTTAsync API
异步MQTT 客户端库for C
在x86_64平台上交叉编译MIPS64版iptables
在x86_64平台上交叉编译MIPS64版iptables 编译环境搭建 交叉编译环境搭建见在x86_64平台上搭建龙芯MIPS64交叉编译环境 示例交叉编译 下载iptables源代码 下载地址 。 以iptables-1.8.4.tar.bz2示例交叉编译iptables。 #解压源代码 tar xf iptables-1.8.4.tar.bz2 cd iptables-1.8.4 # 配置编译环境 CC="/home/dev/App/gcc-4.4.7-7215-n64-loongson/usr/
使用Label Studio标注车牌数据：YOLOv26模型训练指南
在计算机视觉领域，数据标注是模型训练的基础环节，直接影响最终模型的识别精度。Label Studio作为专业的标注工具，支持多种标注类型和格式导出，特别适合目标检测任务的数据准备。通过多边形标注技术，可以精确捕捉车牌的四个角点，生成旋转矩形框（OBB）标注数据，这种标注方式相比传统水平框能更好地处理倾斜车牌场景。标注完成后，数据可导出为YOLO格式，直接用于YOLOv26等先进目标检测模型的训练。在实际工程中，合理的标注策略和严格的质量控制能显著提升车牌识别模型在复杂场景下的鲁棒性，适用于智能交通、停车场管
Linux系统安全学习手册
Linux反弹shell Linux系统应急响应 Linux服务器安全加固 Linux下的用户、组和权限 Linux中的gcc Linux中su和sudo的用法和区别 Linux系统python2与python3共存 Linux中grep工具的使用 Linux中环境变量的设置 Linux中常见的150个命令(干货) Linux中编写Shell脚本 LNMP环境搭建Wordpress博客 LAMP环境搭建一个Discuz论坛 Linux运维比较常用的一些脚本 Linux系统中安装软
iptables-1.4.21 交叉编译
export PATH=$PATH:/opt/freescale/usr/local/gcc-4.6.2-glibc-2.13-linaro-multilib-2011.12/fsl-linaro-toolchain/bin/
基于 Vivado HLS 的 AC97 音频系统设计
介绍一种基于 FPGA 的 AC97 音频系统设计。系统的核心部件采用 Xilinx Atlys 的板载 Spartan6 XCSLX45 芯片，使用的工具为 Xilinx 的高层 次 综 合 技 术 Vivado HLS。首先使用 C /C + + 代码编写的算法描述系统的 FIＲ 滤波器; 然后按 照 Vivado HLS 编译工具的规范，将程序代码转换为 ＲTL 模型，快速、直接地生成对 应左右声道的 FIＲ IP 核和综合结果; 再结合互连的 MicroBlaze 处理器 IP 核，处理 一段立体声
arm9x25交叉编译IPTABLES问题与解决
iptables 版本选择 1.4.0， 高版本出现没有入口函数问题， 稍后解决。 下载地址： http://www.netfilter.org/projects/iptables/downloads.html 选择源码iptables-1.4.0.tar.bz2。 解压缩命令：tar -xjvf iptables-1.4.0.tar.bz2. 编译命令：make CC=arm-none
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
有交叉编译工具吗_TSN之iproute2交叉编译
0 开发环境1 iproute2是什么2 为什么要交叉编译iproute23 交叉编译iproute24 iptables标题图来源于https://github.com/intel/iotg_tsn_ref_sw0 开发环境笔记本：ubuntu18.04.5，内核版本为5.3开发板：imx8mp-evk内核版本：Linux5.4.24交叉编译工具链：fsl-imx-xw...
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
Linux配置tsn内核,TSN之iproute2交叉编译
0 开发环境笔记本：ubuntu18.04.5，内核版本为5.3开发板：imx8mp-evk内核版本：Linux5.4.24交叉编译工具链：fsl-imx-xwayland-glibc-x86_64-imx-image-core-aarch64-imx8mpevk-toolchain-5.4-zeus.sh注：下面的可能会遗漏部分细节，但主要的部分基本都写出来了，应该无大碍。注：以下步骤虽然针对的...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
iptables1.8.10移植
提供iptable的交叉编译方法，以及编译问题排查方法。
移植iptables到mini2440
移植iptables到mini2440一、首先安装好交叉编译环境。 1.将板子自带的arm-linux-gcc-4.4.3放到/usr/local目录下，并用tar命令解压出来，按照/usr/local/arm/4.4.3目录路径来安放。 2.配置环境变量，在主目录下创建.bash_profile文件，在里面输入export PATH＝$PATH:/usr/local/arm/4.4.3/bin。 3.需要使用交叉编译工具时执行~/. .bash_profile,或者执行source ~/
iptables的移植到龙芯内核(1)
一、iptables的交叉编译 1、下载iptables的源码iptables-1.6.2.tar.gz ，解压 tar -xvf ptables-1.6.2.tar.gz 2、进入目录，创建cmd.sh文件，输入命令如下： 其中： –host 安装的交叉编译名 –with-kernel 内核路径 –prefix 编译后生成二进制的目录，用户可自行设置，预先创建好目录 CC 使用g...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
460
扫一扫
