玩了一次linux的crash工具。真TMD牛逼!!!!

Linux Kdump和Crash工具 Kdump是一种基于kexec的Linux内核崩溃捕获机制,简单来说系统启动时会预留一块内存,当系统崩溃调用命令kexec(kdump kernel)在预留的内存中启动kdump内核,该内核会将此时内存中的所有运行状态和数据信息收集到一个coredump文件中以便后续分析调试。 阅读详情

源码位置:http://people.redhat.com/anderson/


1.将dump文件合一: cat sysdump.core.* > dump.bin
2.到vendor/xxxx/open-source/tools/sysdump目录下找到crash命令
3.下载编译版本的符号表
4.  ./crash -m phys_base=0x80000000 dump.bin vmlinux
 在crash命令行下输入“log” 命令显示log,查看是否有堆栈打印出。


crash> 
crash> 
crash> 
crash> p sprdbl
sprdbl = $16 = {
  pwm_mode = dim_pwm, 
  pwm_index = 0, 
  bldev = 0xdf6b5000, 
  suspend = 0, 
  clk = 0x0, 
  sprd_early_suspend_desc = {
    link = {
      next = 0xde96115c, 
      prev = 0xc075fb14
    }, 
    level = 50, 
    suspend = 0xc0206af4 <sprd_backlight_earlysuspend>, 
    resume = 0xc0206cf8 <sprd_backlight_lateresume>
  }
}



crash> struct backlight_device 0xdf6b5000
struct backlight_device {
  props = {
    brightness = 25, 
    max_brightness = 255, 
    power = 0, 
    fb_blank = 0, 
    type = BACKLIGHT_RAW, 
    state = 0
  }, 
  update_lock = {
    count = {
      counter = 1
    }, 
    wait_lock = {
      {
        rlock = {
          raw_lock = {<No data fields>}
        }
      }
    }, 
    wait_list = {
      next = 0xdf6b501c, 
      prev = 0xdf6b501c
    }
  }, 
  ops_lock = {
    count = {
      counter = 1
    }, 
    wait_lock = {
      {
        rlock = {
          raw_lock = {<No data fields>}
        }
      }
    }, 
    wait_list = {
      next = 0xdf6b5028, 
      prev = 0xdf6b5028
    }
  }, 
  ops = 0xc05254c8, 
  fb_notif = {
    notifier_call = 0xc0206a28 <fb_notifier_callback>, 
    next = 0x0, 
    priority = 0
  }, 
  dev = {
    parent = 0xc07583d8, 
    p = 0xdf6b3880, 
    kobj = {
      name = 0xdf6b1f80 "sprd_backlight", 
      entry = {
        next = 0xdf6b520c, 
        prev = 0xdf6b200c
      }, 
      parent = 0xdf6b1fc0, 
      kset = 0xdf429ac0, 
      ktype = 0xc0778a28, 
      sd = 0xdf6b60c0, 
      kref = {
        refcount = {
          counter = 3
        }
      }, 
      state_initialized = 1, 
      state_in_sysfs = 1, 
      state_add_uevent_sent = 1, 
      state_remove_uevent_sent = 0, 
      uevent_suppress = 0
    }, 
    init_name = 0x0, 
    type = 0x0, 
    mutex = {
      count = {
        counter = 1
      }, 
      wait_lock = {
        {
          rlock = {
            raw_lock = {<No data fields>}
          }
        }
      }, 
      wait_list = {
        next = 0xdf6b5078, 
        prev = 0xdf6b5078
      }
    }, 
    bus = 0x0, 
    driver = 0x0, 
    platform_data = 0x0, 
    power = {
      power_state = {
        event = 0
      }, 
      can_wakeup = 0, 
      async_suspend = 0, 
      is_prepared = false, 
      is_suspended = false, 
      ignore_children = false, 
      early_init = true, 
      lock = {
        {
          rlock = {
            raw_lock = {<No data fields>}
          }
        }
      }, 
      entry = {
        next = 0xdf6b5254, 
        prev = 0xdf6b2054
      }, 
      completion = {
        done = 2147483647, 
        wait = {
          lock = {
            {
              rlock = {
                raw_lock = {<No data fields>}
              }
            }
          }, 
          task_list = {
            next = 0xdf6b50a0, 
            prev = 0xdf6b50a0
          }
        }
      }, 
      wakeup = 0x0, 
      wakeup_path = false, 
      syscore = false, 
      suspend_timer = {
        entry = {
          next = 0x0, 
          prev = 0x0
        }, 
        expires = 0, 
        base = 0xc07cf2c0, 
        function = 0xc0249200 <pm_suspend_timer_fn>, 
        data = 3748352064, 
        slack = -1
      }, 
      timer_expires = 0, 
      work = {
        data = {
          counter = -32
        }, 
        entry = {
          next = 0xdf6b50d4, 
          prev = 0xdf6b50d4
        }, 
        func = 0xc024a08c <pm_runtime_work>, 
        callback = 0
      }, 
      wait_queue = {
        lock = {
          {
            rlock = {
              raw_lock = {<No data fields>}
            }
          }
        }, 
        task_list = {
          next = 0xdf6b50e4, 
          prev = 0xdf6b50e4
        }
      }, 
      usage_count = {
        counter = 0
      }, 
      child_count = {
        counter = 0
      }, 
      disable_depth = 1, 
      idle_notification = 0, 
      request_pending = 0, 
      deferred_resume = 0, 
      run_wake = 0, 
      runtime_auto = 1, 
      no_callbacks = 0, 
      irq_safe = 0, 
      use_autosuspend = 0, 
      timer_autosuspends = 0, 
      memalloc_noio = 0, 
      request = RPM_REQ_NONE, 
      runtime_status = RPM_SUSPENDED, 
      runtime_error = 0, 
      autosuspend_delay = 0, 
      last_busy = 0, 
      active_jiffies = 0, 
      suspended_jiffies = 0, 
      accounting_timestamp = 4294937311, 
      subsys_data = 0x0, 
      qos = 0x0
    }, 
    pm_domain = 0x0, 
    dma_mask = 0x0, 
    coherent_dma_mask = 0, 
    dma_parms = 0x0, 
    dma_pools = {
      next = 0xdf6b5134, 
      prev = 0xdf6b5134
    }, 
    dma_mem = 0x0, 
    archdata = {
      dma_ops = 0x0
    }, 
    of_node = 0x0, 
    acpi_node = {<No data fields>}, 
    devt = 0, 
    id = 0, 
    devres_lock = {
      {
        rlock = {
          raw_lock = {<No data fields>}
        }
      }
    }, 
    devres_head = {
      next = 0xdf6b5150, 
      prev = 0xdf6b5150
    }, 
    knode_class = {
      n_klist = 0xdf42cb8c, 
      n_node = {
        next = 0xdf42cb8c, 
        prev = 0xdf42cb8c
      }, 
      n_ref = {
        refcount = {
          counter = 1
        }
      }
    }, 
    class = 0xdf43bdc0, 
    groups = 0x0, 
    release = 0xc02068a0 <bl_device_release>, 
    iommu_group = 0x0
  }

}

crash> 
【内核崩溃kdump(sysdump)和crash分析】 kdump实现了"双内核"布局,Kdump 在内核在内核panic后,立即调用kexec 引导到转储捕获内核(capture kernel),使用 kexec 引导 “覆盖” 当前运行的内核。该“转储捕获内核”的内存区域由主内核的bootargs参数 crashkernel 或dts指定。“转储捕获内核”可以是专门build的单独 Linux 内核image,也可以在支持可重定位内核的系统架构上重用主内核映像。 阅读详情

相关推荐

【ARM Linux 系统稳定性分析入门及渐进 1 -- Crash 工具简介】

还可以准备好系统,以便在系统崩溃的情况下引导进入另一内核。值得一提的是,crash也可以用来分析实时的系统内存,是一个很强大的调试工具。由于kdump利用kexec启动捕获内核,绕过了 bootloader,所以第一个内核的内存得以保留。将捕获内核的地址传递给生产内核,从而在系统崩溃的时候找到捕获内核的地址并运行。里面的某个寄存器里面写个值,来表明重启的原因,当再次重启的时候,会去读该寄存器,获取重启的原因。系统一旦崩溃,内核就没法正常工作了,这个时候将由 kdump 提供一个用于捕获当前运行信息的内核,

CodingCos的博客 3278

Crash for Linux

crash for linux kernel

gui_cheng的博客 3576

Symbolicator:用于符号化崩溃报告的 Mac 应用程序

符号 Symbolicator 是一个用于符号化崩溃报告的 Mac 应用程序。 它利用Xcode 附带的内置symbolicatecrash命令行工具为您(作为iOS 或Mac 开发人员)提供易于使用的图形前端,用于符号化应用程序中出现的崩溃报告。 文档 Symbolicator 非常易于使用:只需选择一个 .crash 文件,为报告崩溃的构建选择 .dSYM 文件,然后单击“Symbolicate”按钮。 Symbolicator 将在文本视图中向您显示符号化的崩溃报告,然后您可以选择将其导出为 .crash 文件。 系统要求 Symbolicator 仅适用于 Mac。 在 OS X v10.9 "Mavericks" 上测试,但可能也适用于 Mac OS X v10.7 "Lion" 或更高版本。

crash 工具

crash 是一款可以用来分析转储文件的工具,用于分析崩溃转储文件,也可以分析动态的系统。通过官网获取和安装工具,通过 `man crash` 或者 `crash --help` 查看使用方法和说明

本末实验室 1669

INCA软件操作指南:手把手教你生成和解析DCM标定数据文件

本文详细介绍了INCA软件在汽车ECU开发中生成和解析DCM标定数据文件的全流程。从A2L文件导入到DCM文件生成,再到HEX文件导出,手把手教你掌握标定数据处理的实用技巧,包括参数标定、曲线标定和常见问题排查,帮助工程师提升工作效率。

weixin_29271053的博客 1065

opencv的cmake报错

1、下载 ippicv_2021.8_win_intel64_20230330_general.zip、v0.1.2a.zip、opencv_videoio_ffmpeg.dll、opencv_videoio_ffmpeg_64.dll、ffmpeg_version.cmake。由于下载源在https://raw.githubusercontent.com,由于网络原因下载不顺畅,可以先找到文件下载到对应文件夹下,或者更改网络环境。ffmpeg_version.cmake文件,打开后显示如下, 另存即可。

nownow_的博客 1300

手动触发linux系统kdump方法,AnyShare-配置手动触发 kdump 最佳实践

命令返回结果为 inactive(dead),表示 kdump 服务未启动,跳转执行第 2 步。2. 执行如下命令,启动 kdump 服务。systemctl start kdump3. 执行如下命令,设置 kdump 服务为开机自启动。systemctl enable kdumpsystemctl is-enabled kdump4. 执行如下命令,设置内存转储文件目录,目录以 /var/cra...

weixin_39688856的博客 527

MOBsf联动雷电模拟器(在docker国内库撤销后)

MobSF (全称:Mobile Security Framework,中文名:移动安全框架) 是一个自动化的移动应用程序(Android / iOS / Windows)开源测试工具,该工具采用Python开发,能够执行静态,动态和恶意软件分析。MobSF提供了很多自动化分析功能,尤其适用于Android应用。安装必备(默认已准备好)docker(kali) 现在的国内镜像源都已经下架了只能开代理下载桌面版然后给pull到本地。

qq_48149564的博客 1601

Crash 工具使用

1. cat sysdump.core* > vmcore 2. crash -m phys_base=0x80000000 vmlinux vmcore crash -m phys_base=0x80000000 --cpus=2 --no_data_debug sysdump vmlinux crash64 -m phys_offset=0x80000000 --no_data_debug sysdump.core symbols/vmlinux 3. crash常用命令: .

weixin_42296411的博客 1323

从VBA到Python:探索CODE V API在MTF数据分析中的跨语言实践

本文详细介绍了如何从VBA转向Python,利用CODE V API实现MTF数据分析的高效工作流。通过Python的科学计算库和现代API设计,光学工程师可以大幅提升数据处理和可视化效率,实现自动化报告生成和性能优化。

weixin_29239661的博客 444

SAP S/4 FICO科目辅助余额表开发说明书(包括测试样例、程序代码仅作参考,不保证一定可以运行)

SAP S/4 FICO科目辅助余额表开发说明书(包括测试样例、程序代码仅作参考,不保证一定可以运行)

我好像病了的博客 329

linux crash,系统崩溃 - crash工具介绍

标准的Linux内核不包括kdb,需要从ftp://oss.sgi.com/www/projects/kdb/download/ix86下载对应标准版本内核的kdb补丁,对标准内核打补丁,然后,编译打过补丁的内核代码。在这里,原运行的内核称为系统内核或原内核,新装载运行的内核称为转储捕捉的内核或装载内核或新内核。当定义了插入点后,kprobe的内核部分就会在内存中将插入点附近的代码保存起来,用触发异常的代码替换,当执行到这里的时候异常被触发,回调函数被执行,执行完毕后恢复被保存的正常代码执行。

生活需要深度 1786

硬件电路RS485通信EMC 设计

RS485通讯硬件设计与STM32实现要点 本文详细介绍了RS485通讯系统的硬件设计和STM32实现方案。硬件设计重点包括:采用总线型拓扑结构、120Ω终端电阻匹配、屏蔽双绞线布线、TVS管和自恢复保险丝保护等核心要素。EMC设计强调共模电感抑制干扰、屏蔽层单端接地、光电隔离等技术。软件实现方面,提供了基于STM32F103的完整程序框架,包括UART初始化、收发控制逻辑和中断处理机制,特别强调了收发切换时机、波特率精度等关键注意事项。文中还给出了工业传感器节点的实际应用案例,展示了一个完整的EMC防护电

qq_37999850的博客 1385

crash工具解析_Android Crash 工具

crash工具解析_Android Crash 工具_weixin_39543655的博客-优快云博客本篇文章主要介绍Android开发中的部分知识点,通过阅读本篇文章,您将收获以下内容:一、Crash 简介当Linux系统内核发生崩溃的时候,可以通过 KEXEC+KDUMP 等方式收集内核崩溃之前的内存,生成一个转储文件vmcore。内核开发者通过分析该vmcore文件就可以诊断出内核崩溃的原因,从而进行操作系统的代码改进。那么Crash就是一个被广泛使用的内核崩溃转储文件分析工具.对调试来讲,...h

maimang1001的专栏 2795

在YOLO中扩充新类别并且不影响旧类的识别精度

让我们先从简单的部分开始:用我们的新类训练自定义 YOLOv8 模型。在本教程中,我们将向模型添加车牌类。我们将使用Roboflow 中的一个数据集。这个数据集有两个车牌类。在开始训练之前,我们还必须对库进行一些更改。为了节省时间,我还将本教程中我们将进行的更改转换为补丁该补丁包含多项更改,但大多数更改都用于指南的下一部分。if RANK!= -1:是的,我们将编写一个回调。我们希望将此自定义训练模型的头部与 COCO 预训练模型中的旧头部一起使用。

如果想成为中心,那么就到中心去吧。 1226

Allegro16.6详细教程(二)

3-D Viewer,可以直接在allegro中看到board file的3-D顯示效果。3-D Viewer對於PCB Editor Products,只有環境變數中的OpenGL顯示功能開啟後才有效,而對於APD/SiP是無效的。2.3-D viewer是在一個獨立的視窗中打開的。3-D environment環境支援多種顯示內容的過濾,取景視角和顯示效果的選項,透過遊標可以直接控制放大,移動,翻轉等操作。

axingxiansen的博客 1927

Crash使用

crash工具的使用

鑫鑫缺点金的博客 3317

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")

crash工具使用

/crash vmlinux COREDUMP 或者需要加上偏移地址。

weixin_44740132的博客 615

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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

用crash tool观察ARM64 Linux地址转换

用crash tool观察ARM64 Linux地址转换 - bigfish99 - 博客园crash tool是一款内核调试工具,常用来分析内核崩溃问题。我们可以手动触发内核崩溃,然后借用该工具来分析当时系统的运行情况,当然也包括内存的运行情况。https://www.cnblogs.com/bigfish0506/p/16273091.html初学者学习Linux系统地址转换时,如果只是学习理论,又或者研读代码,那可能感觉比较枯燥。此时如果可以利用某些工具实际观察一下地址转换的过程,那可能会给枯燥的内核

maimang1001的专栏 1306

linux crash工具详解

crash是 Linux 系统中用于分析内核转储文件(如vmcore或kdump生成的dump文件)的核心工具。它结合了调试符号和内核数据结构,能够直观地查看崩溃时的系统状态。

sre救赎之路 2859

crash tools command usage

set : 设置crash的配置, 输出的样式, 可选择 scroll on/off ; scroll less 使用/usr/bin/less 命令输出; scroll more 使用/bin/more 命令输出; scroll CRASHPAGER 不知道啥模式。 数据的数据进制, 可选择 radix 10/16 10进制或16进制. 控制refresh , refresh on/of

upc886的专栏 519

推荐开源项目:Symbolicator - 简化iOS/OSX崩溃报告解析

推荐开源项目:Symbolicator - 简化iOS/OSX崩溃报告解析 1、项目介绍 Symbolicator是一个轻量级的工具,专为简化处理iOS和OSX应用的崩溃日志而设计。它取代了Xcode内置的symbolicatecrash,致力于提供更高效且兼容广泛的解决方案。无论是32位或64位的ARM设备还是x86架构,此项目都能帮助开发者快速定位并理解崩溃问题。 2、项目技术分析 跨平台支...

gitblog_00051的博客 506

crash实战:手把手教你使用crash分析内核dump

Kdump是Linux的一种内核崩溃捕获机制,Linux内核遇到致命错误崩溃时会触发Kdump机制将崩溃时的现场保存下来,以便后续分析和故障排查。目前市面上有很多分析Kdump的工具,例如trace32, crash tool,本文介绍crash tool在手机领域的应用,并重点介绍一些实用的技巧。然而,本文的重点并不是介绍crash tool的工作原理和基础命令,也不是为了介绍Kdump转储的原理以及其他Kdump解析工具,如果你对这些内容感兴趣,请参考本文末尾提供的参考文档。 一、为什么要用crash

Elvis Hu的博客 5495

linux内核调试之 crash分析dump文件

Linux 下也有众多的内存转储分析工具,lcrash、Alicia、Crash。Crash 是由 Dave Anderson 开发和维护的一个内存转储分析工具,目前它的最新版本是 5.0.0。 在没有统一标准的内存转储文件的格式的情况下,Crash 工具支持众多的内存转储文件格式: Live linux 系统 kdump 产生的正常的和压缩的内存转储文件 由 makedumpfile 命令生成的压缩的内存转储文件 由 Netdump 生成的内存转储文件 由 Diskdump 生成的内存转储文件

eydwyz的专栏 4120

使用 Crash 工具分析 Linux dump 文件

前言 Linux 内核(以下简称内核)是一个不与特定进程相关的功能集合,内核的代码很难轻易的在调试器中执行和跟踪。开发者认为,内核如果发生了错误,就不应该继续运行。因此内核发生错误时,它的行为通常被设定为系统崩溃,机器重启。基于动态存储器的电气特性,机器重启后,上次错误发生时的现场会遭到破坏,这使得查找内核的错误变得异常困难。 内核社区和一些商业公司为此开发了很多种调试技术和工具,希望...

技术风向标 2633
上一篇: 展讯的android2.3可能是世上最烂的架构了
下一篇: sensor hub
YasinLeeX
博客等级 码龄19年 380粉丝 310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

打赏作者

YasinLeeX

再来一杯西湖龙井。

¥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