92 Linux内核是怎么设计字符设备的

Linux下应用程序调用驱动程序流程 内核使用inode结构体在内核内部表示一个文件。因此,它与表示一个已经打开的文件描述符的结构体(即file 文件结构)是不同的,我们可以使用多个file 文件结构表示同一个文件的多个文件描述符,但此时,所有的这些file文件结构全部都必须只能指向一个inode结构体。VFS inode包含文件访问权限、属主、组、大小、生成时间、访问时间、最后修改时间等信息。它是Linux 管理文件系统的最基本单位,也是文件系统连接任何子目录、文件的桥梁。 阅读详情

一、文件系统

linux下设备分为三大类:
1、字符设备(开发中最常用 使用最多,相比下面两个框架简单)
2、块设备
3、网络设备

linux下一切皆文件,也会把字符设备抽象成文件。

字符设备是使用最多的设备

复习文件描述符本质

linxu下 文件 又被抽象成 inode 结构体 。文件的操作接口 也被记录在这个 inode 结构体 中。
struct inode 定义在文件 fs.h 中。对应一个文件。struct inode 中含有成员变量 struct file_operations。
open() 函数 :在文件系统中找到 指定文件的操作接口 后,绑定到进程管理结构体 task_struct->files_struct->fd_array[]->file_operations,此函数返回值就是对应数组元素的下标。

在这里插入图片描述
struct task_struct:定义在 sched.h
struct files_struct:定义在 fdtable.h
struct file:定义在 fs.h,用来管理一个文件。(open函数获得的 文件描述符 其实就是上图 fd_array数组的下标 )

struct file_operations 就是一个 文件的操作接口 。定义在 fs.h。
文件操作接口中的成员操作函数 其实就是就是 底层寄存器操作函数 ,应用程序通过 这些 文件操作接口 来实现 对文件的操作 。

二、驱动层原理

把 struct file_operations 文件操作接口注册到 内核 ,内核通过 主、次设备号 来登记、记录它。

1、构造驱动基本对象:

struct cdev,此结构体中包含 struct file_operations 和 dev_t 两个成员变量。

/**
 * cdev_init() - initialize a cdev structure
 * @cdev: the structure to initialize
 * @fops: the file_operations for this device
 *
 * Initializes @cdev, remembering @fops, making it ready to add to the
 * system with cdev_add().
 */
void cdev_init(struct cdev *cdev, const struct file_operations *fops)
{
    memset(cdev, 0, sizeof *cdev);
    INIT_LIST_HEAD(&cdev->list);
    /* 初始化 kobject 内部相关成员标志。
     * 设置 kobject->ktype 操作接口。
     * 详见 101.
     */
    kobject_init(&cdev->kobj, &ktype_cdev_default);
    /* 指定 fops */
    cdev->ops = fops;
}
/**
 * cdev_add() - add a char device to the system
 * @p: the cdev structure for the device
 * @dev: the first device number for which this device is responsible
 * @count: the number of consecutive minor numbers corresponding to this
 *         device
 *
 * cdev_add() adds the device represented by @p to the system, making it
 * live immediately.  A negative error code is returned on failure.
 */
 /* 此函数用来保存驱动基本对象 */
int cdev_add(struct cdev *p, dev_t dev, unsigned count)
{
    int error;
	// dev 起始设备号
    p->dev = dev;
    p->count = count;
	/* 在此函数中将 cdev 绑定到 哈希表cdev_map 中 */
	/* cdev_map 详见下 */
    error = kobj_map(cdev_map, dev, count, NULL,
             exact_match, exact_lock, p); 
    if (error)
        return error;

    kobject_get(p->kobj.parent);

    return 0;
}

int kobj_map(struct kobj_map *domain, dev_t dev, unsigned long range,
	     struct module *module, kobj_probe_t *probe,
	     int (*lock)(dev_t, void *), void *data)
{
	// 要用到几个主设备号
	unsigned n = MAJOR(dev + range - 1) - MAJOR(dev) + 1;
	// 不敢要用到几个主设备号,从第一个开始
	unsigned index = MAJOR(dev);
	unsigned i;
	struct probe *p;

	if (n > 255)
		n = 255;
	// 申请 probe 结构体,申请数目为:要用到的主设备号的数目
	p = kmalloc_array(n, sizeof(struct probe), GFP_KERNEL);
	if (p == NULL)
		return -ENOMEM;
	// 循环次数:要用到的主设备号的数目
	for (i = 0; i < n; i++, p++) {
		p->owner = module;
		p->get = probe;
		p->lock = lock;
		// 其实的主设备号
		p->dev = dev;
		// 次设备号的数目
		p->range = range;
		// 这里的probe类型实例都是指向同一个struct cdev
		p->data = data;
	}
	mutex_lock(domain->lock);
	// 一个主设备号(包含其附带的若干个次设备号)在下面的哈希表占据一个坑
	for (i = 0, p -= n; i < n; i++, p++, index++) {
		struct probe **s = &domain->probes[index % 255];
		// 此处似乎是要按range从小到大来排列
		while (*s && (*s)->range < range)
			s = &(*s)->next;
		p->next = *s;
		*s = p;
	}
	mutex_unlock(domain->lock);
	return 0;
}

2、两个hash表

使用 两个hash表 来找到对应的 cdev 结构体。

1、chrdevs:管理设备号

第一个哈希表 chrdevs:管理设备号
登记设备号,防止设备号冲突
全局变量 chrdevs 定义如下:

static struct char_device_struct {
    struct char_device_struct *next;
    // 主设备号
    unsigned int major;			/* 重点关注 */
    // 次设备号
    unsigned int baseminor;		/* 重点关注 */
    // 次设备号数目
    int minorct;
    char name[64];
    struct cdev *cdev;			/* 重点关注,此结构体内包含 file_operations 和 dev_t */
} *chrdevs[CHRDEV_MAJOR_HASH_SIZE];
/* 此函数负责登记设备号 
 * 详见95
 */
__register_chrdev_region()
2、cdev_map->probe:管理 file_operation

第二个哈希表 cdev_map->probe:管理 file_operation
保存驱动基本对象 struct cdev
一个cdev,占据几个主设备号,就在该哈希表下占据几个坑。

cdev_map 类型为:struct kobj_map,定义如下:

struct kobj_map {
	struct probe {
		struct probe *next;
		dev_t dev;				/* 设备号 */
		unsigned long range;
		struct module *owner;
		kobj_probe_t *get;
		int (*lock)(dev_t, void *);
		/* 此指针指向一个 struct cdev 结构体 */
		void *data;
	} *probes[255];
	struct mutex *lock;
};

三、文件系统层原理

mknod,cdev_init,cdev_add

1、使用指令 mknod指令+主从设备号 来构建一个新的设备文件;

2、把 cdev->file_operations 绑定到新的设备文件中( cdev_add 函数,内有 kobj_map 函数 );

到这里,应用程序就可以使用open()、write()、read()等函数来控制设备文件了。

新手教程:如何为定制scanner编写内核驱动 深入讲解如何从零开始为定制scanner开发内核驱动,涵盖关键接口与数据交互机制,帮助开发者掌握scanner设备在Linux环境下的驱动实现要点。 阅读详情

相关推荐

ARM-Linux下DS18B20温度传感器驱动开发实战

数字温度传感器在现代嵌入式系统中扮演着重要角色,其中DS18B20因其单总线接口和数字输出特性成为热门选择。单总线协议通过单一数据线实现双向通信,大幅简化了硬件设计。在Linux驱动开发中,字符设备驱动框架为传感器访问提供了标准化接口,通过file_operations结构体实现open、read等系统调用。本文以ARM平台为例,详细解析了GPIO配置、时序控制等关键技术要点,特别针对工业物联网和智能家居场景中的抗干扰设计给出了实践方案。通过内核模块化开发和设备树支持,开发者可以快速实现高可靠性的温度监测系

weixin_34332905的博客 407

chrdevs数组

chrdevs数组 chrdevs数组是一张device_struct结构类型的表,所有的字符设备文件的名称以及相关的file_operation结构描述符都包含在该表中,device_struct和chrdevs数组都在fs/devics.c中定义。   fs/devices.c     struct device_struct{      const char *name;   

LDan508的博客 1354

DS18B20温度传感器驱动开发与Linux集成指南

数字温度传感器作为物联网和嵌入式系统的核心感知器件,其工作原理基于半导体材料的温度特性变化。DS18B20采用独特的单总线协议实现数据传输,仅需单根数据线即可完成双向通信,大幅简化了硬件设计。在Linux驱动开发中,通过GPIO模拟单总线时序需要精确控制微秒级延迟,内核提供的udelay()和ndelay()函数是保证时序准确性的关键。该传感器支持-55℃至+125℃宽范围测量,12位分辨率下精度达±0.5℃,特别适合工业控制、智能家居等场景。通过解析其64位ROM地址和9字节暂存器结构,开发者可实现多点组

weixin_30411819的博客 464

94 从源码看如何管理(分配)设备号

1、chrdevs哈希表 用于管理设备号。 定义在 ebf-buster-linux/fs/char_dev.c。 static struct char_device_struct { // 指向下一个链表节点 struct char_device_struct *next; // 主设备号 unsigned int major; // 次设备号 unsigned int baseminor; // 次设备号的数量 int minorct; // 设备的名称

engineer0的博客 331

保姆级教程:2026版Windows电脑换新,微信QQ聊天记录无损搬家(附路径修改避坑指南)

本文提供2026版Windows电脑换新时微信QQ聊天记录无损迁移的保姆级教程,涵盖最新版微信/QQ的存储路径修改和避坑指南。通过详细步骤和实战技巧,确保数据迁移过程中不丢失任何珍贵对话记录和文件,特别适合需要保留完整聊天记录的用户。

weixin_42629815的博客 2495

使用 FastAPI 和 LangGraph 构建生产级智能体 AI 系统

这是一本关于使用 FastAPI 和 LangGraph 构建生产级智能体 AI 系统的详细书籍,全文约 10 万字。《Production-Grade Agentic AI System Design and Implementation: Building Agentic AI Systems Using FastAPI and LangGraph》随着人工智能(AI)技术的迅猛发展,智能体(Agent)作为能够自主感知、推理、决策和行动的实体,正逐渐成为构建复杂智能系统的核心。从个性化推荐、客户服务到

AI天才研究院 353

字符设备架构

字符设备架构

qq_42611237的博客 427

6、业务影响分析(BIA)的数据收集与关键指标评估

本文全面解析了业务影响分析(BIA)的核心内容,包括数据收集、业务流程分析、信息系统与资产清单、人员与供应商依赖、影响声明、关键指标评估(如MTD、RTO、RPO)、威胁建模与风险分析等。通过详细的介绍和图表展示,帮助组织系统性地制定灾难恢复计划,以应对各种潜在风险,确保关键业务流程在灾难发生后能够快速恢复并持续运营。

moss5的博客 376

93 设备号的组成 与 管理设备号的哈希表chrdevs

设备号 ebf-buster-linux/include/linux/kdev_t.h #define MINORBITS 20 #define MINORMASK ((1U << MINORBITS) - 1) #define MAJOR(dev) ((unsigned int) ((dev) >> MINORBITS)) #define MINOR(dev) ((unsigned int) ((dev) & MINORMASK)) #define MKDEV(ma,.

engineer0的博客 789

动力学约束下的运动规划算法——Kinodynamic RRT*算法

动力学约束下的运动规划算法——Kinodynamic RRT*算法

慕羽★的博客 6755

《网络安全自学教程》- OSI七层模型分层及作用,数据封装与解封过程,数据传输过程。

OSI分哪七层,每层的作用是什么,解释数据在七层模型中是怎样传输的,封包和解封过程,数据包在每一层是怎么封装和解封的。

wangyuxiang946的博客 1万+

Linux下的蜂鸣器驱动程序设计

嵌入式系统开发技术 1.绪论____________________________________________________ 3 1.1概要______________________________________________________ 3 1.2设计内容__________________________________________________ 4 ...

qq_40636929的博客 2534

产品需求从场景,初始需求IR,产品需求 OR,设计需求DR,设计规格DS的具体案例说明,以扫地机产品为例

摘要: 以扫地机器人"宠物粪便避障"功能为例,说明从用户场景到产品落地的完整需求转化路径。初始需求(IR)源于养宠家庭痛点,要求100%避障并自动告警;产品需求(OR)转化为≥98%识别准确率等量化指标;设计需求(DR)拆解为感知、决策、执行三大技术模块;最终形成传感器选型(如索尼IMX678)、芯片规格(高通QCS6490)等设计规格(DS)。通过实验室模拟和用户测试验证,该功能使产品溢价30%,养宠家庭购买占比达52%,实现技术与商业价值的统一。

AIoT深度探索者 | 嵌入式系统架构师 深耕物联网(IoT)与人工智能(AI)融合技术,聚焦​​边缘计算、图像开发、低功耗通信协议​​,致力于智能硬件,关注我获取最新技术文章信息与海量资源~ 772

字符设备驱动(2)

字符设备驱动 在Linux字符设备驱动程序设计中,有4种非常重要的数据结构: Struct file Struct inode Struct cdev Struct file_operations Struct File(sbh_p92) 代表一个打开的文件,系统中每个打开的文件在内核空间都有一个关联的 struct file。它由内核在打开文件时创建, 在文件关闭后,内核释放这个数据结构。 重要成员: 1 loff_t f_pos /文件读写位置/ 2 struct file_operations *

qq_29890089的博客 442

基于深度学习的推荐系统设计与实现

基于深度学习的推荐系统设计与实现 作者:禅与计算机程序设计艺术 / Zen and the Art of Computer Programming / TextGenWebUILLM 基于深度学习的推荐系统设计与实现 关键词:深度学习, 推荐系统, 用

AI天才研究院 1079

华为OD机考双机位A卷 - 流浪地球(Java & Python& JS & C/C++ & GO )

华为OD机考双机位A卷 - 流浪地球(OD上机考试双机位A卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 4042

Linux实现字符设备驱动的基础步骤

Linux应用层想要操作kernel层的API,比方想操作相关GPIO或寄存器,能够通过写一个字符设备驱动来实现。 1、先在rootfs中的 /dev/ 下生成一个字符设备。注意主设备号 和 从设备号。可用例如以下shell脚本生成: if [ ! -e audioIN ];then sudo mknod audioIN c 240 0 fi 生成的...

weixin_30480651的博客 125

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Linux字符设备驱动之register_chrdev_region()系列

Linux字符设备驱动之 register_chrdev_region()函数系列 1.内核中所有已分配的字符设备编号都记录在一个名为 chrdevs 散列表里。该散列表中的每一个元素是一个 char_device_struct 结构,它的定义如下: static struct char_device_struct { struct char_device_struct *next; //

dongzi12的专栏 686

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")

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

从零构建嵌入式Linux驱动:揭秘内核模块加载的底层机制

本文深入解析嵌入式Linux驱动开发中的内核模块加载机制,从动态模块加载的核心价值到module_init宏的底层实现,详细介绍了字符设备注册和sysfs设备节点创建的完整流程。通过实战案例和调试技巧,帮助开发者掌握嵌入式Linux驱动开发的关键技术,特别适合STM32MP157等嵌入式平台开发者参考。

t8u9v0的博客 784

嵌入式Linux视频笔记----驱动开发

https://www.bilibili.com/video/BV1pf4y1974n/?spm_id_from=333.788.videocard.1 基本看完了,基本只看视频没看详细的pdf,试验挑着做,一讲代码就蒙蔽。但还是有了基本的概念,知道驱动相关知识 P1 内核模块基本概念 现代内核派系:宏内核--Linux等、关键功能和服务功能均在内核、效率高、扩展性差;微内核--关键功能在内核,服务功能在用户空间、效率低、扩展性高 内核模块:加载、卸载;入口、出口;信息声明 下面两个实验都是最简.

gzc0319的博客 2279

Linux下AXI DMA字符设备驱动实现

手把手带你实现Linux平台上的AXI DMA字符设备驱动,涵盖设备树配置、DMA缓冲区管理与用户态数据收发全流程,深入解析AXI DMA硬件机制与驱动交互逻辑,让硬件加速数据搬运真正落地可用。

weixin_42594419的博客 398

ubuntu增加字符设备驱动程序/ 操作系统课程设计

【这里使用的核心是4.14版本的】 1.创建驱动程序源文件Driver.c  1 #include "linux/kernel.h" 2 #include "linux/module.h" 3 #include "linux/fs.h" 4 #include "linux/init.h" 5 #include "linux/types.h" 6 #inclu...

weixin_30746117的博客 800

面经——嵌入式常见面试题总结100题(下)

51,简述LINUX驱动中字符设备和块设备的区别? 52,试总结单片机底层开发与LINUX驱动开发有哪些异同? 53.请从网卡、USB HOST、LCD驱动器、NAND FLASH、WIFI 、音频芯片中选择一个或者2个(可以以具体的芯片为例),对下面的问题做答: 54,linux驱动分类? 55,信号量与自旋锁? 56,platform总线设备及总线设备如何编写? 57,kmalloc和vmalloc的区别? 58、module_init的级别? 59、添加驱动? 60、IIC原理? 61,kernel.

zhuguanlin121的博客 1万+

一起分析Linux系统设计思想——05字符设备驱动之按键驱动(一)

等待了许久的按键驱动她来了~~通过一系列对按键驱动的介绍带你吃透Linux中断框架!!!来一起体验探索的快乐吧!!!

穿越临界点的博客 257

一起分析Linux系统设计思想——05字符设备驱动之LED驱动(二)

本篇继续LED驱动,主要涉及mdev机制、次设备号等知识点,最后利用这些知识点实现一个流水灯。

穿越临界点的博客 187

Linux驱动:LCD驱动框架分析

一直想花时间来整理一下Linux内核LCD驱动,却一直都忙着做其他事情去了,这些天特意抽出时间来整理之前落下的笔记,故事就这样开始了。LCD驱动也是字符设备驱动的一种,框架上相对于字符设备驱动稍微复杂一点点,真的就是一点点,难点在对LCD硬件的配置上。 开发平台:TQ210,S5PV210处理器 内核版本:linux-3.10.46 LCD型号:AT070TN92,7英寸,TFT

xiaohua0877的专栏 678
上一篇: 5.8.2 TCP的拥塞控制方法
下一篇: 93 设备号的组成 与 管理设备号的哈希表chrdevs
你板子冒烟了
博客等级 码龄8年 1278粉丝 582原创
评论 1
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
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