SNMP--Windows API--SnmpExtensionQuery

dblion dblion 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 1.3k累计阅读 1.3k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16年
关注
翻译 最新推荐文章于 2026-07-30 14:14:31 发布 1.3k 阅读 AI 写同款· GEO 优化 ›
告别编译噩梦：Vcpkg+Cmake一站式集成Tesseract-OCR C++开发环境（Windows） 本文详细介绍了如何在Windows系统上使用Vcpkg和CMake快速集成Tesseract-OCR C++开发环境，解决传统编译过程中的依赖问题。通过一键安装和自动化配置，开发者可以高效搭建OCR识别系统，支持中英文识别，并提供了常见问题的解决方案和进阶技巧。 阅读详情

原文来自MSDN Library for Visual Studio 2008 SP1，翻译部分仅为个人观点，想要看更多信息请看MSDN，如有版权问题请联系QQ 643166601，邮件643166601@qq.com

 

SnmpExtensionQuery Callback Function

The Microsoft SNMP service calls the SnmpExtensionQuery function to resolve SNMP requests that contain variables within one or more of the SNMP extension agent's registered MIB subtrees.
这个Microsoft的SNMP服务调用SnmpExtensionQuery函数去解决SNMP请求变量里面有一个或更多的SNMP扩展代理的注册MIB子树。
This function is an element of the SNMP Extension Agent API.
这个函数是SNMP扩展代理API中的一个元素。
Note  The extension agent must export the SnmpExtensionQuery function if the extension agent runs on Windows NT 3.51 or 4.0.
注意：如果这个扩展代理运行在 Windows NT 3.51或 4.0上这个扩展代理必须导出SnmpExtensionQuery函数。
However, it is recommended that you use the SnmpExtensionQueryEx function, which supports SNMP version 2C (SNMPv2C) data types and multiphase SNMP SET operations.
然而，推荐使用SnmpExtensionQueryEx函数，它支持SNMP的2C版(SNMPv2C)数据类型和多相SNMP设置操作。

Syntax
BOOL SnmpExtensionQuery(
__in     BYTE bPduType,
__inout  SnmpVarBindList* pVarBindList,
__out    AsnInteger32* pErrorStatus,
__out    AsnInteger32* pErrorIndex
);

Parameters
bPduType
Specifies the SNMP version 1 (SNMPv1) PDU request type.
指定SNMP版本1 (SNMPv1)PDU的请求类型。
This parameter can be one of the following values.
这个参数可以是以下值中的一个。
Value Meaning
SNMP_PDU_GET
 Retrieve the value or values of the specified variables.
 取回值或指定变量的值。
SNMP_PDU_GETNEXT
 Retrieve the value or values of the lexicographic successor of the specified variable.
 取回值或词典的顺序的值的指定变量。
SNMP_PDU_SET
 Write a value within a specific variable.
 写一个值在指定变量中。

Note that PDU request types have been renamed.
注意PDU请求类型已经重命名。
For additional information, see SNMP Variable Types and Request PDU Types.
额外的信息，请看SNMP Variable Types and Request PDU Types。
pVarBindList
Pointer to the variable bindings list.
指针指向的变量绑定list。
pErrorStatus
Pointer to a variable in which the error status result will be returned.
指针指向一个变量，将返回错误状态结果。
This parameter can be one of the following values defined by SNMPv1.
这个参数可以是由SNMPv1定义的以下值中的一个。
Value Meaning
SNMP_ERRORSTATUS_NOERROR
 The agent reports that no errors occurred during transmission.
 这个代理上报在传输期间没有发生错误。
SNMP_ERRORSTATUS_TOOBIG
 The agent could not place the results of the requested operation into a single SNMP message.
 这个代理不能将请求操作的结果放到一个单独的SNMP消息中。
SNMP_ERRORSTATUS_NOSUCHNAME
 The requested operation identified an unknown variable.
 这个请求操作被认为是一个未知变量。
SNMP_ERRORSTATUS_BADVALUE
 The requested operation tried to change a variable but it specified either a syntax or value error.
 这个请求操作尝试去改变一个变量但是它指定的一个错误的语法或值。
SNMP_ERRORSTATUS_READONLY
 The requested operation tried to change a variable that was not allowed to change according to the community profile of the variable.
 这个请求操作尝试去改变一个变量它是不被允许去改变，根据团体配置的变量。
SNMP_ERRORSTATUS_GENERR
 An error other than one of those listed here occurred during the requested operation.
 一个的发生的请求操作的错误不同于这里列出的这些。

pErrorIndex
Pointer to a variable in which the error index result will be returned.
指针指向一个变量它返回的结果是错误索引。
Return Value
If the function succeeds, the return value is TRUE.
如果这个函数成功，返回值是TRUE。
If the function fails, the return value is FALSE.
如果这个函数失败，返回值是FALSE。
Remarks
When the SNMP service receives an SNMP PDU request, it calls the SnmpExtensionQuery function to process the request.
当SNMP服务接收一个SNMP PDU请求时它调用SnmpExtensionQuery函数去处理这个请求。
The extension agent must follow the rules in RFC 1157 to either resolve the variable bindings or generate an error.
这个扩展代理必须采用在 RFC 1157中的规定去处理变量绑定或生成一个错误。
If the extension agent cannot resolve the variable bindings on a Get Next request, it must change the name field of the SnmpVarBind structure to the value of the object identifier immediately following that of the currently supported MIB subtree view.
如果扩展代理不能解决变量绑定在Get Next请求中，它必须立即改变SnmpVarBind结构体的name字段的标识符到随后的 当前支持的MIB子树视图的下一个标识符。
For example, if the extension agent supports view ".1.3.6.1.4.1.77.1", a Get Next request on ".1.3.6.1.4.1.77.1.5.1" would result in a modified name field of ".1.3.6.1.4.1.77.2".
例如，如果扩展代理支持视图".1.3.6.1.4.1.77.1"，一个Get Next请求在".1.3.6.1.4.1.77.1.5.1"上的结果将是在一个被修改的".1.3.6.1.4.1.77.2"的name字段。
This signals the SNMP service to continue the attempt to resolve the variable bindings with other extension agents.
这个符号的SNMP服务去继续尝试去解决变量绑定和其他扩展代理。
It is important to note that the SNMP service and the extension agent may need to exchange dynamically allocated memory during a call to the SnmpExtensionQuery function.
它是重要的注意SNMP服务和扩展代理可能需要去改变动态申请的内存在调用SnmpExtensionQuery函数期间。
The service dynamically allocates the object identifier in each SnmpVarBind structure it passes to the extension agent.
这个服务动态的在每个SnmpVarBind结构体中申请对象标识符传递到扩展代理中。
However, the extension agent must release this memory in order to replace the object identifier when it processes a Get Next request.
然而，当它处理一个Get Next请求时，这个扩展代理必须释放这个内存替换对象标识符。
The extension agent allocates dynamic memory for variable-length object types.
这个扩展代理申请动态内存为了变量长度对象类型。
The SNMP service releases this memory after the object is placed in the response PDU.
这个SNMP服务释放这个内存之后对象放置到请求PDU中。
In order to avoid heap corruption and memory leaks, both the SNMP service and the extension agent must use memory allocation routines that resolve to the same heap.
为了避免堆损坏和内存泄漏，SNMP服务和扩展代理都必须使用内存申请程序来解决相同堆。
The extension agent must use the SnmpUtilMemAlloc function to allocate memory that it passes to the SNMP service.
这个扩展代理必须使用SnmpUtilMemAlloc函数去申请内存，它传递到SNMP服务。
It must use the SnmpUtilMemFree function to release the memory the service passes back to the extension agent.
她必须使用SnmpUtilMemFree函数去释放内存这个服务传回到扩展代理。
These functions are located in the utility dynamic-link library SNMPAPI.DLL.
这个函数位于实用动态链接库SNMPAPI.DLL中。
Requirements
Client Requires Windows Vista, Windows XP, Windows 2000 Professional, Windows NT Workstation, Windows Me, Windows 98, or Windows 95.
Server Requires Windows Server 2008, Windows Server 2003, Windows 2000 Server, or Windows NT Server.
Header Declared in Snmp.h.
 

See Also
Simple Network Management Protocol (SNMP) Overview
SNMP Functions
SnmpVarBind
SnmpExtensionInit
SnmpUtilMemAlloc
SnmpUtilMemFree

 

Send comments about this topic to Microsoft

Build date: 3/8/2008

收录于
Coperator

当前文章被收录于：

Coperator
186 篇文章 1 人学习
订阅专栏 查看详情
C/C++

当前文章被收录于：

C/C++
150 篇文章 0 人学习
订阅专栏 查看详情
Windows API--SNMP

当前文章被收录于：

Windows API--SNMP
11 篇文章 0 人学习
订阅专栏 查看详情
标签
#SNMP
YOLOv8【第十一章：视频追踪与流处理篇·第16节】一文搞懂，DeepStream 部署入门：NVIDIA 视频分析 SDK 与 YOLOv8 结合！ 🏆 本文收录于 《YOLOv8实战：从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例（当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向），坚持持续更新 + 深度解析，质量分长期稳定在 97 分以上，可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。 阅读详情

相关推荐

华为模拟器eNSP练习题 - HCIA综合实验

华为模拟器eNSP练习题 - HCIA综合实验 题目要求 ISP路由器只能配置IP地址，之后不得进行其他任何配置； 整个内部网络基于192.168.1.0/24进行地址规划； R1/R2之间启动OSPF协议，单区域； PC1-PC4自动获取IP地址； PC1不能telnet R1，PC1外的其他内网pc可以； PC1-PC4可以访问PC5，R2的公网接口只拥有一个公有IP12.0.0.1； 外部的client可以通过域名www.ensp.com访问http server； ISP路由telnet 12.0

炸鸡店老板z的博客 9869

SnmpExtensionQuery系列函数使用注意事项

最近使用SnmpExtensionQuery函数时，获取信息程序运行结果正确，但程序运行在Debug状态时一直提示int 3 中断，Release版运行正常；在使用Google搜索及仔细阅读MSDN后才发现，程序和SNMP sever之间使用的是动态内存进行交换；具体也就是你需要访问节点的OID（ SnmpVarBind.name.ids）需要你的才程序动态申请内存（由Snmp Server进行

沙狼的博客 2141

契约锁代码审计分析

但是正常来讲，定义了这么多的路由，肯定会有一个通用的判断逻辑，来判断请求的url是否和这些路由匹配。POC中有一点值得注意，Spring新一些的版本中支持以表单的形式来为参数赋值，且无需用注解。但是需要注意4.2.8的代码逻辑和新版本中的不同，此漏洞可能存在于版本大于4.2.8的版本中。方法用于解析LICENSE，先进行AES解密，再从字符串转换成json格式的License。loadPath实际判断传入的path是否和下面的path相等，如果不相等返回null。，如果包含这三个中的一个就会抛出异常。

好记性不如烂笔头 5716

C++ 打印机状态查询之SNMP协议

前言 由于工作需要，封装打印机SDK，该篇主要讲解如何获取打印机的状态，打印机支持简单网络管理协议（SNMP），并且windows api支持snmp通讯协议；所以，就使用snmp协议查询打印机状态 一、SNMP协议简介 简单网络管理协议（SNMP），是TCP/IP协议簇的一个应用层协议，工作在UDP 161端口，用于监控目标设备的操作系统、硬件设备、服务应用、软硬件配置、网络协议状态、设备性能及资源利用率、设备报错事件信息、应用程序状态等软硬件信息。已经有3个版本，SNMPv1、SNMPv2、SNMPv

流云落尘 4008

UFS Write Booster技术解析：原理、配置与故障排查实战

在存储技术领域，缓存机制是提升I/O性能的核心手段之一，其原理是通过高速存储介质暂存数据，减少对低速主存储的直接访问，从而降低延迟、提升吞吐。Write Booster正是这一原理在UFS（通用闪存存储）规范中的具体实现，它通过引入独立的易失性高速缓存区（Write Booster Buffer），将主机写入命令快速响应与后台数据持久化分离，技术价值在于显著改善随机写入性能，消除由垃圾回收等后台操作引发的写入卡顿。该技术广泛应用于智能手机应用安装、相机连拍、固件升级（OTA）等对写入流畅性要求高的场景。本文

weixin_42561143的博客 356

等时替代模型（ Isotemporal Substitution Model）

文献阅读：Associations of sedentary time and physical activity with adverse health conditions: Outcome-wide analyses using isotemporal substitution model（该论文于2022年4月28日发表在柳叶刀子刊 EClinicalMedicine 上）

姚巨龙的博客 1万+

用C++在Windows上开发SNMP扩展代理(SNMP extension agent) DLL

9月接到一个开发任务，做一个SNMP代理软件和第三方网管软件对接。

编程交流 3405

别再用Excel画波特图了！用LTspice免费仿真软件，5分钟搞定电路传递函数分析

本文介绍了如何利用LTspice免费仿真软件高效绘制波特图，解决传统Excel绘图效率低、精度不足的问题。通过详细的操作步骤和实战案例，展示LTspice在电路传递函数分析中的自动化计算、专业级精度和完整特性展示等优势，帮助工程师快速完成频率响应分析。

weixin_42524226的博客 461

取得系统中网卡MAC地址的方法

第一种方法使用Microsoft的Netbios API。 这是一套通过Winsock提供底层网络支持的命令。使用Netbios的最大缺点是您必须在系统中安装了Netbios服务(如果您在windows网络中启用了文件共享的话，这就不是问题了)。除此此外，这种方法又快又准确。Netbios API只包括了一个函数，就叫做Netbios。这个函数使用网络控制块(network control

我的专栏 1085

CCS导入工程报错？手把手教你安装C2000编译器（附最新下载链接）

本文详细解析CCS导入工程报错的常见原因，并提供三种安装C2000编译器的解决方案（TI官网离线安装、CCS内置更新和App Center渠道）。通过版本匹配技巧和路径配置要点，帮助开发者快速解决编译器缺失问题，确保项目顺利导入和编译。

weixin_30374009的博客 662

Android perfetto 简介

android linux 性能优化 原理及操作

求变，从思想开始 3475

取得系统中网卡MAC地址的三种方法

    网卡地址这个概念有点混淆不清。因为实际上有两个地址，mac地址和物理地址,一般说网卡地址我是指物理地址，不知道别人怎么看?物理地址指的是网卡上的存放地址的ROM里的地址,mac地址是这块卡工作的时候用的地址,一般情况下这两个地址是一样的,所以很多人都混用了,甚至不知道有区别  -_-#   网卡工作的时候，一个以太网帧60到1514（不包括crc),帧的crc是网卡自动加的,前导码

zhangting1987的专栏 8098

OpenClaw人人养虾：接入Matrix

Matrix 是一个开放的去中心化通讯协议（Decentralized Communication Protocol），任何人都可以搭建自己的 Homeserver（家服务器）并与全球 Matrix 网络互联。OpenClaw 通过 Matrix Client-Server API 实现接入。

王国平的博客 526

SNMP的学习笔记

1 BRE编码(Basic Encoding Rule)        基本编码规则使用使用TLV 方式，即Type,Length,Value消息中所表达的信息都用一个Type 域标记一个Legnth 限定值然后是Value ，ASN.1是一种用来描述系统之间传递的信息格式的语言规范被广泛用在通信协议的规格定义中一句话理解ASN.1 和BER即是:“信息的描述基于ASN.1 语法”和“信息的编码

。。。专栏 1万+

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

SNMP获取LLDP邻居详细信息的方法

H3C中低端交换通过mib获取LLDP邻居详细信息的方法 一、组网： 无 二、问题描述： 通过mib获取H3C中低端交换LLDP邻居的详细信息 三、过程分析： 第一步，获取节点lldpRemoteSystemsData的信息用NET SNMP来Walk MIB节点lldpRemoteSystemsData，OID: 1.0.8802.1.1.2.1.4 ***** SNMP QUERY STARTED ***** 1: lldpRemChassisIdSubtype...

allway2的博客 6127

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

简单SNMP管理程序的VC++代码实例实现

SNMP（Simple Network Management Protocol）是基于TCP/IP的网络管理协议，关于其工作原理网上很多，百度一下或者看看MSDN，今天在这里记一下实现的步骤，本人工作环境是Windows XP professional SP2 + Microsoft Visual Studio .net 2003，不保证其他平台与本人的步骤一致。 一、安装SNMP服务

mmpire之blog 6039

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

SNMP--Windows API--SnmpExtensionTrap

原文来自MSDN Library for Visual Studio 2008 SP1，翻译部分仅为个人观点，想要看更多信息请看MSDN，如有版权问题请联系QQ 643166601，邮件643166601@qq.com   SnmpExtensionTrap Callback Function The Microsoft SNMP service calls the SnmpExtensio

Coperator 1090

学习NET-SNMP之二-----------VisualStudio编译Net-SNMP

1.用VisualStudio打开 net-snmp5.7.3 /  win32 / win32.dsw 2. 提示转换时，确定转换。 3.转换完成后，在libsnmp项目上单击右键，设置为启动项目。（因为这是net-snmp的库项目，其他项目依赖于这个项目）。 当然，你也可以只编译这个项目，直接使用这个库来进行编程。

zzidea的专栏 1410

SNMP--Windows API--SnmpUtilOidAppend

原文来自MSDN Library for Visual Studio 2008 SP1，翻译部分仅为个人观点，想要看更多信息请看MSDN，如有版权问题请联系QQ 643166601，邮件643166601@qq.com   SnmpUtilOidAppend Function The SnmpUtilOidAppend function appends the source object i

Coperator 777

Visual C++通过snmp获取mac地址

在visual c++环境下获取MAC地址的方式有很多种，但我觉得下面的方法最好。因为它不依赖平台platform SDK (现在已经不支持VC++ 6 anyway), 或者其他库。但要注意一些问题：因为要使用WSAStartup()函数，所以需要引入WS2_32.dll。#pragma comment(lib,"Ws2_32.lib")   snmpmac.cpp

liruda的专栏 6685
上一篇： SNMP--Windows API--SnmpExtensionInit
下一篇： SNMP--Windows API--SnmpExtensionTrap
点赞 0
评论 0
书签 书签 1
dblion
dblion
博客等级 码龄16年 23粉丝 104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