ldd3笔记_加载模块方法_模块程序组成

bamboolsu bamboolsu 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 500+累计阅读 528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22年
关注
转载 最新推荐文章于 2026-09-22 09:14:52 发布 528 阅读 AI 写同款· GEO 优化 ›
【原创】【专栏】《Linux设备驱动程序》--- LDD3源码目录结构和源码分析经典链接 【原创】LDD3源码目录结构和源码分析经典链接 http://blog.chinaunix.net/uid-25194149-id-3361623.html http://blog.youkuaiyun.com/column/details/ldd3.html 阅读详情
模块是如何加载到内核的

要支持模块的动态加载，卸载， 在编译内核时要注意： “Lodable Module Support" 中的相应选项要选上. 比如要支持加载模块, 应该选上Enable loadable module support; 要支持卸载模块, 要选上Module unloading ; 要支持强制卸载模块, 要选上Forced module unloading! 
1, When the kernel needs a feature that is not resident in the kernel, the kernel module daemon kmod (In earlier versions of linux, this was known as kerneld) execs modprobe to load the module in. modprobe is passed a string in one of two forms:

  • A module name like softdog or ppp.

  • A more generic identifier like char-major-10-30

传递给mdoprobe的参数为模块名时, 不需要加.ko的扩展名. 若传递给modprobe的是通用标志符, 那么modprobe通过查看 etc/modprobe.conf知道通用标志符对应的模块名.

 modprobe.conf文件是特定于发行版的, 比如我的Ubuntu中, modprobe查看/etc/modprobe.d/aliases来将通用标志符转化为模块名. 
2, 注意模块也存在依赖性问题: 比如你要加载msdos.ko, 需要先加载fat.ko. modprobe查看/lib/module/version/ modules.dep得知模块的依赖关系. (version = uname -r). moules.dep由$ depmod -a 命令创建.

 依赖其他模块的模块称为: "stacking modules" 

3, 知道了依赖关系之后, mprobe先加载prerequisites模块, 再加载模块自身. 实际上, modprobe是通过调用insmod来加载这些模块的!

有两种加载模块的方法, 以刚才的msdos.ko为例子:
 $ insmod /lib/modules/version/kernel/fs/fat/fat.ko
$ insmod /lib/modules/version/kernel/fs/msdos/msdos.ko$ modprobe msdos

modprobe和insmod的区别:
1, modprobe知道内核模块默认的存在目录(/lib/modules/version/), 而insmod不知道.
2, 调用modprobe时, 只需给出模块名(不代,ko扩展), 而insmod需要给出完整路径和模块名.
3, modprobe自动解决依赖性. 而insmod需要指定加载内核的先后顺序.
4, 由于modprobe假设要加载的模块在默认目录, 那么若要加载在默认目录之外的模块, 就要调用insmod了.

发行版将modprobe, insmod, depmod打包到一起, 称之为Linux内核模块管理工具, 针对2.4或以前的内核, 该工具名为modutils, 2.6的为module-init-tools. 
通过$ lsmod 可以看到加载到内核中的模块信息 也可以查看/proc/modules文件的内容. 实际上,lsmod读命令就是通过查看/proc/modules的内容来显示模块信息的.

卸载模块
使用 $ sudo rmmod mod_name 可以卸载模块. 但内核有时候认为卸载该模块是不安全的, 此时可以使用 $ sudo rmmod -f mod_name来强制卸载模块.

这里都是介绍的加载,卸载模块的命令, 至于模块加载,卸载的原理. 参考" 模块运行环境" 
准备工作

模块可以加载到当前运行的内核中, 也可以加载到另一个未运行的内核. 这里暂时只考虑将模块加载到启动的内核中.

学习模块编程, 先要重新编译内核, 为什么要编译内核的? 原因有二:

1, 我们使用的Linux发行版中的内核针对kernel.org的官方内核添加了许多补丁, 提供的内核头文件并不完整, 内核API也可能被修改了, 要学习模块编程, 最好使用官方内核编译.

2, 发行版的内核中, 一般默认的CONFIG_MODVERSIONS被设置为y.  这样你在加载模块时会由于版本问题失败, 所以应该不设置CONFIG_MODVERSIONS.

参考 内核模块编程之_初窥门径


模块程序组成
模块程序设计有点类似于应用程序设计: 起码模块程序中有entry point和exit point. 并且模块程序代码位于独立的文件中.

下面看看模块程序组成.

模块程序中至少要有两个函数: 一个初始化函数, 它在模块被加载到内核中的时候被调用, 一个退出函数(clean_up), 它在模块被卸载的时候被调用.

有两种方法定义上述的两个函数, 推荐用后面的定义方法!

int init_module(void)
{
...
}

void cleanup_module(void)
{
...
}

在2.3.13版之后的内核, 可以用下面的方法来定义它们:

static int hello_start(void)
{
...
}

static void hello_end(void)
{
...
}

module_init(hello_start);
module_exit(hello_end); 
1, 初始化函数和退出函数的定义.
初始化函数和退出函数应该是这样的形式:

static int funname_init(void);     /* 模块被加载时被调用 */
static void funname_exit(void);  /* 模块被卸载时被调用 */

由于不向外输出这些函数, 一般给它们加上static限定符号.

2, module_init和module_exit宏
funname_init()通过module_init()被注册为模块的entry point. 同样地, funname_exit()通过module_exit()宏被注册为模块的exit point. 注意: 如果文件被编译到静态内核映像中, 退出函数不会被执行. 这些宏扩展必须位于相应函数定义之后!

3, 版权信息
从2.4版的内核起, 可以使用一些宏来声明模块的版权信息:

MODULE_LICENSE()宏:
括号中的内容可以是下面的几种形式:
"GPL" [GNU Public License v2 or later]
"GPL v2" [GNU Public License v2]
"GPL and additional rights" [GNU Public License v2 rights and more]
"Dual BSD/GPL" [GNU Public License v2 or BSD license choice]
"Dual MPL/GPL" [GNU Public License v2 or Mozilla license choice]
"Proprietary" [Non free products]如果是MODULE_LICENSE("Proprietary"), 那么你所编写的模块不是免费的, 内核社区将其视为"污染"了内核, 不会理会相关的bug report, 而且, 不遵循GPL的模块无法调用只针对GPL的符号(参考"输出符号"的内容).

如果声明双重版权, 那么在Linux上, 它与声明为GPL的效果是一样的, 即Linux只在意GPL版权.

另外,  MODULE_DESCRIPTION()  描述模块的功能;  MODULE_AUTHOR() 描述模块的作者;  and  MODULE_SUPPORTED_DEVICE()  声明模块所支持设备的类型.

在内核源码树的/include/linux/module.h中定义版权宏. 这些宏一般位于文件结尾.

4, 包含头文件.
在模块程序开头需要包含头文件:
#include <linux/module.h> /* 所有的模块文件都要包含 */
收录于
linux_kernel_development_etc

当前文章被收录于：

linux_kernel_development_etc
35 篇文章 0 人学习
订阅专栏 查看详情
设备驱动简介 -- ldd3读书笔记 阅读详情

相关推荐

FPGA高速通信双核解析：CMAC与Interlaken硬核的实战对比

本文深入对比了FPGA中两大高速通信硬核CMAC与Interlaken的核心差异与应用场景。CMAC作为标准以太网接入方案，适用于网卡、交换机等需对外互联的场景；而Interlaken则以极低延迟和高效通道化能力，专为芯片间、板间裸数据高速传输设计。文章通过实战案例与性能指标分析，为FPGA高速通信方案选型提供清晰指南。

f9g0h的博客 843

模块是如何加载到内核的

要支持模块的动态加载，卸载， 在编译内核时要注意： “Lodable Module Support" 中的相应选项要选上. 比如要支持加载模块, 应该选上Enable loadable module support; 要支持卸载模块, 要选上Module unloading ; 要支持强制卸载模块, 要选上Forced module unloading!1, When the ke

Make Progress Everyday! 3491

不用买VR设备！用UE5内置模拟器开发虚拟现实项目的完整教程

本文提供了一套无需购买昂贵VR硬件的虚拟现实开发最佳实践方案。详细介绍了如何利用虚幻引擎5内置的XR模拟器，从零开始配置开发环境、模拟操作、构建场景并实现核心交互逻辑。通过这套纯软件方案，开发者可以高效学习VR开发核心，大幅降低入门门槛和成本。

weixin_29019241的博客 614

linux内核模块的依赖(四)

nm module.ko 可以查看目标文件的符号信息， 如符号类型是t表示是函数， 我们可以看到printk的符号类型是U， U表示它是一个未决符号，这表示在编译阶段不知道这个符号的地址，因为它被定义在其他文件中， 没有放在模块代码中一起编译。那么printk函数的地址问题怎么解决？ 这里引入了一个导出的宏：EXPORT_SYMBOL(); 还有一个宏可以导出叫:EXPORT_SYMBOL_GPL(); 这两个有点区别 /*module.c*/ #include<linux/kernel.h>

hpx12345678的博客 1225

多边形裁剪算法

多边形裁剪算法 刚参加工作就跟多边形刚上了，对于多边形的裁剪做一些简单的总结。 多边形裁剪主要有四种算法 Greiner-Hormann裁剪算法 Sutherland-Hodgman算法 Vatti裁剪算法 Weiler-Atherton裁剪算法 作为一名想要成为优秀算法工程师的程序员，我们不能只会使用，而不知道其原理，倘若如此，我们无法做到应用于本身业务上的定制化的修改。 Greiner–H...

papalqi 6729

RHCSA Linux环境搭建

安装Linux操作系统一般有三种方式：为了便捷方便高效，因此本人选择通过虚拟机来使用Linux操作系统。先在官网（Download VMware Workstation Pro）下载好VMware workstation pro软件，下载安装完成后，需要激活打开。下载版本不同，所需激活码也不同（激活码可在网络上查找）

weixin_68256171的博客 1419

内核模块的加载

概述 一般linux中有两个程序可以添加内核模块，modprobe和insmod，前者考虑到了各个模块之间可能出现的依赖关系，被依赖的模块会被自动载入，而insmod只是简单的尝试载入当前的模块。二者最终都是通过linux系统调用sys_init_module载入内核模块的。 编译好的内核模块一般是以*.ko结尾的，这类文件都是可重定位文件。 elf的基本结构如图: sys_init_module/

ashimida 5415

内网(极空间)搭建gitlab跳板机转发端口及域名配置

然后，回头尝试用内网地址+15022 clone，成功，用公网的ip+15222 clone失败，那就是定位到时nginx转发的问题了。首先想到的就是 git clone是通过ssh的22端口进行下载的，那就需要打通22端口，则又配置22端口的nginx转发。然后，我通过ssh命令，做一个端口转发，以实现内网穿透，将服务端口链接到跳板机上。然后穿透到阿里云服务器跳板机的端口，只能内网访问，需要用nginx做个转发，才能用公网ip进行访问。然后，如上，我的80端口，映射15080，22端口映射15022。

God丶Davide的博客 6074

向内核加载/卸载模块

<br />模块是如何加载到内核的 要支持模块的动态加载，卸载， 在编译内核时要注意： “Lodable Module Support" 中的相应选项要选上. 比如要支持加载模块, 应该选上Enable loadable module support; 要支持卸载模块, 要选上Module unloading ; 要支持强制卸载模块, 要选上Forced module unloading! 1, When the kernel needs a feature that is not resident i

HULIHONG的专栏 1857

【嵌入式底层知识修炼】按键和LED共用IO口的分时复用扫描方法

文章目录01 - PCB原理图例程02 - 分时复用的注意项和设计2.1 - 注意项2.2 - 设计03 - 代码实现 只要我跑的速度够快，寂寞就追不上我 只要Key和Led切换速度够快，人眼就看不出来 ————小白   如果你存在按键Key和显示Led共用同一个IO时，需要分时复用的需求，则可以移植代码进行使用： 代码所占code少于0.5K 线程安全，中断安全 可移植性高，配置容易 注意：系统需要存在一个至少为1ms的时钟中断 01 - PCB原理图例程   举2个Key和Led共用IO口的

单眼皮根号三的博客 1万+

黑猫带你学eMMC协议第11篇：eMMC擦除详解（erase/trim/discard/sanitize/secure erase/secure trim...）

erase命令单位是擦除组，那么一个擦出组包含多个写块，不同写块有不同信息，主机擦除之前，必须进行确定好这些写块中的信息没有用了。所以通常erase用来擦除整个设备或分区。erase完成后，将erase的区域都要么是全0，要么是全1。那么到底是0还是1呢，根据不同的工艺有所不同，但是别担心，在ecsd[181]中会有说明到底是1还是0。erase命令的作用就是简单的将映射地址范围移动到未映射的地址范围。

黑猫奥利奥的博客 7796

内核模块加载过程分析

前言：想要了解内核模块的加载过程，需要先了解ELF文件格式，我的ELF文件格式解析文章地址如下： ELF文件格式解析https://blog.youkuaiyun.com/zj82448191/article/details/108441447 在用户空间，用insmod这样的命令来向内核空间安装一个内核模块，本章将详细讨论模块加载时的内核行为，当我们加载一个模块时，insmod会首先利用文件系统的接口将其数据读取到用户空间的一段内存中，然后通过系统调用sys_init_module,让内核去处理加载的整个过程。 一、

zj82448191的博客 1864

petalinux2022.2启动文件编译配置

petalinux2021之前的版本里，导入目录components/yocto/下的“environment-setup-aarch64-xilinx-linux” 和 “layers/core/oe-init-build-env”的环境，能使用Yocto的devtool工具。（加入下面内容，先petalinux-build下载完成后才能有源码）制作 BOOT.BIN 启动文件：petalinux-package --boot --fsbl --fpga --u-boot --force。

wangjie36的博客 1388

ldd3笔记_2_加载模块方法, 模块程序组成【ZT】

模块是如何加载到内核的 要支持模块的动态加载，卸载， 在编译内核时要注意： “Lodable Module Support" 中的相应选项要选上. 比如要支持加载模块, 应该选上Enable loadable module support; 要支持卸载模块, 要选上Module unloading ; 要支持强制卸载模块, 要选上Forced module unloading...

张继飞的专栏 125

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

VC中sqlite的使用

在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示

Linux Device Drivers 3 (LDD3) 项目教程

Linux Device Drivers 3 (LDD3) 是一个开源项目，旨在提供与现代内核兼容的设备驱动程序示例。该项目基于《Linux Device Drivers 3》一书中的示例代码，并对其进行了更新，以确保这些示例能够在最新的Linux内核版本中正常编译和运行。 LDD3 项目的主要目标是帮助开发者理解和编写Linux设备驱动程序。通过提供经过验证的示例代码，开发者可以快速上手并深入

gitblog_00506的博客 818

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》。

Akka Streams 的 extrapolate 操作符：让慢速上游为快速下游持续供帧

`extrapolate` 是 Akka Streams 中面向**慢生产者 / 快消费者**场景的背压感知操作符：当下游发出需求但上游尚未产出新元素时，它会基于"最后一个已发射元素"生成一个 `Iterator` 持续向外供数，例如用 `Iterator.continually(element)` 不断重复最后一个元素。本文以官方文档（[extrapolate.md](https://link.

gitblog_00115的博客 929

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

LDD3笔记基础知识

http://zzzppp.cublog.cn/ 去年(2005)9月2号就买了Linux Device Drivers第三版,但一直没仔细拜读.最近决定仔细研读它以学习Linux设备驱动程序. 在这里归纳学习笔记. 不知道自己有没有恒心把它看完,总之better later than never. 就让这一系列的笔记伴随我学习ldd3的漫漫长路吧 ldd3介绍的是2.6.10版的内核

smile_cc的专栏 1326

Ldd3 学习笔记2 — simple

翻ldd3书看得云里雾里的，幸好有源码，可以找到源码，编译一下，自己动手学习ldd3到底讲了些什么知识。找到一份源码后，运行起来再说，不管是白猫还是黑猫，要抓老鼠，你得先得给我跑起来，哈哈！ 上一篇给出了ldd3下载地址，下载examples.tar.gz解压有以下子目录 include Makefile pci scullc scullv simple

fangchongbory的专栏 2956

Linux ：ldd 命令的介绍与使用

Linux ：ldd 命令的介绍与使用

Cappuccino Blog 3万+

LDD学习笔记 -- Linux内核模块

在运行时添加 / 删除的代码Linux支持在系统启动和运行时从内核中动态的插入或移除代码。在运行时添加/删除的代码叫做内核模块。Linux内核模块通过向内核引入新的功能（安全、设备驱动、文件系统驱动、系统调用、其他）来动态的扩展内核的功能。模块化的方法，像正在运行的内核的插件。嵌入式Linux系统可以由最小的基本内核镜像 + 可选的设备驱动/其他功能通过模块插入按需提供例如一个热拔插的USB设备，它的驱动程序（Linux内核模块），当其插入后会动态加载到内核中。

weixin_42040046的博客 1526

linux ldd运行不成功,Linux_Linux：Ldd命令介绍及使用方法，1、首先ldd不是一个可执行程序 - phpStudy...

Linux：Ldd命令介绍及使用方法1、首先ldd不是一个可执行程序，而只是一个shell脚本2、ldd能够显示可执行模块的dependency，其原理是通过设置一系列的环境变量，如下：LD_TRACE_LOADED_OBJECTS、LD_WARN、LD_BIND_NOW、LD_LIBRARY_VERSION、LD_VERBOSE等。当LD_TRACE_LOADED_OBJECTS环境变量不为空时...

weixin_35674932的博客 1425

linux动态库ldd加载顺序,ldd查看动态依赖库

ldd命令用于输出程序或者库文件所依赖的共享库列表。语法ldd (选项) (参数)选项--help：显示帮助信息--version：打印指令版本号；-v：详细信息模式，打印所有相关信息；-u：打印未使用的直接依赖；-d：执行重定位和报告任何丢失的对象；-r：执行数据对象和函数的重定位，并且报告任何丢失的对象和函数。参数文件：指定可执行程序或者文库。ldd原理首先，ldd不是一个可执行程序，而只...

weixin_29279047的博客 1324

LDD学习课程之一

先前一直在外地有事情，耽搁了一些时间。希望能够赶上。一个简单的LDD  HELLO#include #include static __init int Hello_init() { printk(KERN_EMERG"HELLO,LINUX WORLD"); return 0 ; } static __exit int Hello_out() { printk（KERN_EMERG"GOODBYE~~"); return 0 ; } module_init(Hel

HaoRanZhong的专栏 756

Ldd命令介绍及使用方法

1、首先ldd不是一个可执行程序，而只是一个shell脚本 　　2、ldd能够显示可执行模块的dependency，其原理是通过设置一系列的环境变量，如下：LD_TRACE_LOADED_OBJECTS、LD_WARN、LD_BIND_NOW、LD_LIBRARY_VERSION、LD_VERBOSE等。当LD_TRACE_LOADED_OBJECTS环境变量不为空时，任何可执行程序在运行时

把握自己。 5524

LDD之模块

Linux内核允许在运行时insmod模块，以扩展内核的功能或者使新设备可用。因此理解如何编写模块和编译模块是必须掌握的。接下来，我们来讨论如何建立并运行一个完整的模块，并且讨论所有模块共用的基础代码。 前面我们提到过内核源码树，不管是发布的内核还是自己编译的内核，我们要保证，编译的模块只给对应的内核使用。 Hello World模块 每个程序员都编写过不同语言的Hello Worl

posado的专栏 1021

Linux命令之ldd 查看程序依赖库

ldd 作用：用来查看程式运行所需的共享库,常用来解决程式因缺少某个库文件而不能运行的一些问题。 示例：查看test程序运行所依赖的库: /opt/app/todeav1/test$ldd test libstdc++.so.6 => /usr/lib64/libstdc++.so.6 (0x00000039a7e00000) libm.so.6 => /lib64/libm....

Magnum的博客 1402
上一篇： Linux patches
下一篇： ldd3_基础知识
点赞 0
评论 0
书签 书签 0
bamboolsu
bamboolsu
博客等级 码龄22年 200粉丝 394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
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