Debian系统下随身WiFi实现USB主模式与U盘自动挂载全攻略

随身wifi改造打印盒子,支持安卓/IOS/Windows 随身WIFI改造成打印服务器,支持安卓,IOS,Windows 阅读详情

1. 理解随身WiFi的USB主从模式

随身WiFi设备通常只有两个对外接口:WiFi和USB。当我们将这类设备刷入Debian系统后,USB接口默认处于从设备(Gadget)模式,这意味着它只能作为客户端连接其他主机。但如果我们想把它变成真正的便携电脑,就需要将其切换为主设备(Host)模式。

USB OTG(On-The-Go)技术允许设备在主机和从机之间动态切换。在从模式下,设备可以被识别为网卡或存储设备;而在主模式下,则可以连接U盘、键盘等外设。OpenStick项目提供的gc工具就是用来管理这种模式切换的。

我刚开始尝试时发现一个关键问题:切换为主模式后,原本通过USB的SSH连接会立即断开。这是因为从模式功能被完全禁用了。解决方案是确保设备能通过WiFi保持网络连接,我建议提前配置好无线SSH访问,或者像我一样设置反向代理到云服务器。

2. 硬件准备与模式切换

要实现USB主模式,硬件上需要做些准备。首先是一个带5V供电的USB扩展坞,因为随身WiFi的USB接口通常供电不足。我在淘宝上找到一款兼容性不错的扩展坞,也有技术爱好者开源了定制扩展坞的设计方案。

切换模式的命令其实很简单:

echo host > /sys/kernel/debug/usb/ci_hdrc.0/role

但要让这个设置永久生效,需要修改启动脚本。找到/usr/sbin/mobian-usb-gadget文件,在setup()函数开头添加上述命令。不过要特别注意:这样做会使设备启动后立即进入主模式,可能影响正常使用。

更安全的做法是使用NetworkManager的dispatcher脚本,我在项目中是这样实现的:

#!/bin/sh
case "$2" in
    up)
        echo host > /sys/kernel/debug/usb/ci_hdrc.0/role
        sleep 1
        mount /dev/s
随身WiFi刷Debian后如何安全实现USB主从模式切换(附自动挂载脚本) 本文详细介绍了在随身WiFi刷入Debian系统后,如何安全实现USB主从模式切换并建立自动挂载机制。通过分析USB OTG技术原理,提供网络状态触发脚本和udev自动挂载方案,有效降低设备变砖风险,同时涵盖文件系统兼容性处理、硬件供电优化及系统监控等实用技巧。 阅读详情

相关推荐

随身WiFi刷Debian后外接U盘全攻略:从硬件改造到自动挂载避坑指南

本文详细介绍了随身WiFi刷入Debian系统后外接U盘的完整解决方案,涵盖硬件改造、USB模式切换、自动挂载实现等关键步骤。通过优化供电系统、配置udev规则和智能挂载脚本,有效解决了Micro USB接口扩展和存储设备识别问题,为构建便携式Linux服务器提供实用指南。

water的专栏 1010

高通410随身WiFi变身移动服务器:Debian系统下外接U盘+网卡+打印机的全攻略

本文详细介绍了如何将高通410随身WiFi刷入Debian系统并配置为多功能移动服务器,包括外接U盘存储、有线网卡扩展和打印机共享等功能。通过硬件准备、USB模式切换、存储设备挂载、网络配置和打印服务搭建等步骤,充分发挥设备的潜力,适用于移动办公和小型服务器场景。

c2d3e4f的博客 849

Debian系统下NTFS格式U盘读写全攻略:从驱动安装到权限配置

本文详细介绍了在Debian系统(特别是刷机后的随身WiFi设备)上实现NTFS格式U盘完整读写功能的完整方案。针对Linux内核原生支持有限的问题,重点讲解了如何安装并配置ntfs-3g驱动,优化挂载参数以解决权限和乱码问题,并提供了通过fstab或NetworkManager脚本实现自动化挂载的实用方法,最后涵盖常见故障排查与性能调优技巧。

yolo5detector的博客 236

随身WIFI刷Debian变身微型服务器:从硬件识别到应用部署全攻略

ARM架构作为嵌入式系统和移动设备的核心,其低功耗、高性能的特性使其成为运行轻量级Linux系统的理想平台。通过理解Bootloader、内核与根文件系统的协作原理,开发者可以突破厂商限制,在定制硬件上部署完整的GNU/Linux环境。这种技术方案的价值在于最大化利用闲置硬件资源,实现低成本、低功耗的持续运行服务器。典型的应用场景包括搭建个人网盘、运行家庭自动化系统、部署内网穿透服务或作为Linux学习实验平台。本文以高通骁龙410(MSM8916)方案为例,详细解析了如何将随身WIFI设备刷入Debian

weixin_30932215的博客 503

斐讯N1刷Armbian全攻略:U盘启动与eMMC写入避坑指南

在嵌入式Linux设备改造中,将电视盒子刷入Armbian系统是常见的轻量级服务器方案。其核心原理是通过U盘启动临时系统,验证硬件兼容性后再写入eMMC存储。这一过程涉及设备树配置、引导参数调整等关键技术,能有效提升设备利用率和可玩性。典型应用场景包括旁路由、下载机、小型NAS和Home Assistant主机。斐讯N1凭借Amlogic S905D四核处理器和2GB内存,成为热门改造对象。然而,U盘启动失败、eMMC写入后无法启动、MAC地址变化等问题频发,关键在于正确配置uEnv.ini文件和选择兼容的

weixin_34133829的博客 332

斐讯N1刷Armbian全攻略:U盘启动到eMMC固化避坑指南

在ARM单板计算机上部署Linux系统时,启动引导与存储介质的选择直接影响系统稳定性。Amlogic芯片采用BootROM优先读取eMMC引导的机制,通过U盘启动可无损验证硬件兼容性,再借助设备树匹配与U-Boot写入实现系统固化。这一流程不仅适用于斐讯N1,也是ARM开发板改造为轻量服务器的通用范式。掌握DTB配置、eMMC健康检测与引导修复等工程细节,能有效避免变砖风险,让老旧设备焕新为Docker、NAS等内网服务的可靠载体。

weixin_34409357的博客 281

统信UOS镜像文件安装全攻略:从ISO下载到U盘启动盘制作实操

在国产操作系统领域,统信UOS正成为越来越多用户替换Windows的选择。与常规安装包不同,UOS采用ISO镜像文件的分发机制,这种格式将引导程序、内核与安装数据封装为一体,既支持U盘引导,也能挂载至虚拟机光驱,是Linux系操作系统通用的交付载体。理解镜像文件的完整性校验原理,掌握SHA256哈希比对方法,是避免安装中途失败的关键前提。在实际部署场景中,无论是物理机全盘安装、虚拟机体验还是Windows双系统共存,都需要借助Rufus或Ventoy等工具制作可引导U盘,并遵循UEFI+GPT的分区规范。本

weixin_33868027的博客 371

晶晨S905L3B机顶盒改造实战:从安卓9 Root到Armbian双系统

机顶盒作为家庭数字娱乐中心,其潜力往往被原厂系统所限制。刷机与系统改造,本质是通过解锁Bootloader与分区管理,实现对底层系统的自主掌控。以晶晨S905L3B芯片为代表的电视盒子,凭借其高性价比与活跃的社区支持,成为技术爱好者实践Linux系统部署的理想平台。通过安卓9 Root与Armbian双系统的搭建,设备不仅能保留原有电视功能,还能化身低功耗的Linux服务器,用于运行家庭自动化、网络监控等常驻服务。这一过程涉及Magisk安装、U盘引导、eMMC分区调整等核心技术操作。本文以晶晨S905L3

weixin_33957648的博客 336

RK3128机顶盒通刷固件全攻略:从原理到救砖的硬核指南

智能电视盒子作为客厅娱乐的普及设备,其核心SoC与固件决定了流畅度与功能边界。针对RK3128等老款芯片,通刷固件成为挖掘存量设备价值的关键手段。固件本质是引导加载器、内核、设备树与系统分区的集合,通刷利用同SoC平台的内核通用性,通过调整DTS和驱动实现跨机型适配。理解分区结构与烧录原理,不仅能安全刷机,还能通过精简预装、优化内存策略显著提升性能。在实际应用中,用户可借助U盘强刷、RKDevTool短接或TTL串口恢复变砖设备,让机顶盒重获新生,甚至改造为下载机或Kodi播放器。掌握这些方法,老盒子也能焕

weixin_34238633的博客 261

OrangePi Zero3系统烧录全攻略:从TF卡到eMMC实战指南

开发板与普通电脑不同,出厂时通常不带系统,需要用户自行将系统镜像烧录到TF卡或eMMC等存储介质中。理解系统烧录的本质——即将官方编译好的镜像文件整盘写入存储设备,并掌握引导分区、rootfs等基础概念,是嵌入式Linux开发的必备技能。无论是用于智能家居、边缘计算还是AI原型验证,稳定可靠的操作系统部署都是项目落地的第一步。本文以香橙派Zero3为例,从镜像选择、烧录工具对比出发,详细演示Windows、Linux、macOS下的完整烧录流程,并深入讲解eMMC安装方法、瑞芯微平台的烧录差异及常见故障排查

weixin_34279579的博客 478

魔百和CM211-1刷Armbian:打造低功耗Linux服务器全攻略

在嵌入式开发中,ARM架构设备常被用于低功耗服务器场景。通过刷写Armbian系统,可充分发挥晶晨S905L3B等芯片的潜力,实现Docker容器、轻量级NAS等应用。其原理在于利用Linux系统的高效资源管理,替代原厂安卓的冗余开销,提升设备性能与灵活性。技术价值体现在低功耗、高可玩性,应用场景包括家庭服务器、物联网网关等。本文以魔百和CM211-1为例,详细解析刷机流程与优化技巧,帮助读者将闲置设备变废为宝。

weixin_34050519的博客 195

SAP 人力资源工资配置项3---工资项配置

工资项设置

xiouluoyang的专栏 1万+

嵌入式:简单的service框架

在嵌入式中,我们获取一个资源、设置一个变量、更新数据的话最直接的方式就是直接调用一个函数。这样的写法也可以满足基本的功能,前提是这个系统是只要一个任务,只有一个while(1)如图1.1。图1.1当有两个或者两个以上的任务的时候,同时调用一个函数(设置一个状态值、操作同一个资源、操作指针等行为)的流程如图1.2。图1.2当两个任务同时操作一个资源的时候,就会有重入的问题,会导致想不到的异常问题(数据不对、指针异常等)。

stupid的博客 987

已过tiktok校招客户端,面经分享

面试的话, 一天面完3面, 效率很高, 三天之后就发了offer 字节邮件里面也说了不能泄露面试题, 那我就把我秋招参与美团,字节,腾讯,阿里面试被问到的全部问题总结着写出来了, 这其实是我每一轮面试完之后我都会总结哪里答对了, 哪里没有答对, 总结了一大堆问题出来. 答案未必正确, 我只是给自己写了个简单的一句话概括, 可能不够完善, 建议看官自行回答一下这些问题 二本非科班, 暑假在字节实习过, 不过不是tiktok部门, 因此秋招就没啥时间准备面试了, 只投了几个大厂, 顺便也在字节跨部门转正,

a1472750149的博客 1309

DeepSeek-OCR又更新:一起看下OCR1和OCR2

DeepSeek-AI 最近又又开源了,这次是DeepSeek-OCR2,结合之前发布的DeepSeek-OCR ,可以发现DeepSeek走出了一条不同于主流 OCR 方案的技术路线。第一代模型探索了**“视觉作为文本压缩介质”的可行性,打破了传统的序列长度限制;第二代模型则通过“Visual Causal Flow(视觉因果流)”**架构,将因果推理引入视觉编码器,解决了复杂排版下的阅读顺序难题。本文将从架构设计、逻辑结构、训练范式及工程实现四个维度,深度剖析这两代模型的异同与创新。

kakaZhui的博客 629

CMAC算法原理

2、K1 通过以下运算导出:若 L 的最高有效位等于 0,则 K1 是 L 的左移 1 位。3、K2 通过如下运算导出:若 K1 的最高有效位等于 0,则 K2 是 K1 的左移 1 位。采用了 AES 算法中的类似 CBC 模式的加密方式,即对前一个分组的密文与当前分组的明文进行异或操作后在加密,2、分块处理:首先将消息分成多个固定长度的块,若消息长度不是块大小的倍数,则可以使用填充来将其填充到合适的大小。1、子密钥计算,通过主密钥生成子密钥(key1,key2),子密钥用于最后一个块处理;

sky的博客 1659

避坑指南:WSL2网络模式修改导致无法上网的解决方案(附备份还原技巧)

本文深入解析WSL2默认网络隔离机制,并提供三种安全的端口互通方案,重点推荐通过配置Windows防火墙规则实现稳定访问。同时,针对网络配置修改可能引发的无法上网问题,给出了从重置配置到系统级备份的完整恢复指南,确保开发环境安全可靠。

jj890的博客 784

图像处理之边缘检测[微分算子、Canny算子和LOG算子]

LOG算子是在经典算子的基础上发展起来的边缘检测算子,根据信噪比求得检测边缘的最优滤波器。边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变和纹理结构的突变等。图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,而且还保护了目标的边界结构。对于复杂的图像,采用Roberts算子不能较好地得到图像的边缘,而需要采用更加复杂的3X3的算子比如Prewitt算子。对于离散的图像f(x,y),边缘检测算子是用图像的垂直和水平差分来逼近梯度算子,即。

qq_44111805的博客 9840

实战交易策略 篇二十二:情绪流龙头交易策略

在股票市场中,机构主导趋势,游资驱动热点,散户易被情绪裹挟,形成“金字塔”式生态链,并存在情绪传递、强者恒强、物极必反的规律特点。股市是资金驱动的情绪博弈场,价格波动由群体心理、资金博弈和预期差共同驱动,核心是资本逐利性与人性贪婪恐惧的交织,兼具资源配置、财富再分配与风险定价功能。涨停加速与逃逸缺口(主升强化)凹字板/平台突破(趋势延续)天量弱转强(分歧买点)不参与首波(二波策略)情绪周期(道术合一)主线思维(聚焦核心)开盘抢筹(竞价博弈)一字助攻(情绪强化)分批进出(滚动操作)

生活在别处 1512

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。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

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")

Statistics and Machine Learning Toolbox

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

上一篇: 从DPI缩放机制到IDE适配:解析Keil uVision5界面模糊背后的技术根源与通用解决方案
下一篇: Ansys SIwave实战:差分线S参数提取与仿真优化技巧
android
博客等级 码龄22年 48粉丝 1455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  | 博主筛选后可见
 
 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