当STM32没有RNG:两种实用方法生成可靠随机数的实战解析

从软件到硬件:深入解析STM32随机数生成的两种路径 本文深入解析STM32随机数生成的两种路径:软件模拟和硬件实现。通过对比分析伪随机数生成器(PRNG)和真随机数生成器(RNG)的工作原理、性能差异及适用场景,帮助开发者根据项目需求选择合适的方案。特别针对安全关键应用提供了优化技巧和注意事项,确保随机数生成的安全性和可靠性。 阅读详情

1. 为什么你的STM32需要“真”随机数?

很多刚开始玩STM32的朋友,尤其是用惯了像F4、H7这类带“豪华配置”芯片的,可能觉得生成一个随机数就是调用一个库函数的事儿。但当你接到一个成本敏感的项目,比如一个智能家居的遥控器、一个简单的工控节点,或者一个消费级的小玩具,选型很可能就落到了一颗像STM32F103、STM32G030这类中低端的MCU上。这时候你翻遍数据手册和HAL库,可能都找不到那个心心念念的硬件随机数发生器(RNG)。

这时候你可能会想:“不就是个随机数嘛,我用C标准库里的 rand() 不就行了?” 我刚开始也这么想,直到我做的那个无线通信项目出了bug。那个项目里,每个设备上电后需要生成一个随机的网络ID来避免冲突。我用 srand(1) 固定了种子,结果测试时发现,同一批生产的十几个设备,每次上电生成的“随机”ID竟然一模一样!它们在同一频段同时发起连接,现场直接“打”成了一片,通信彻底瘫痪。那次教训让我明白,在嵌入式世界里,尤其是在没有专用硬件的条件下,一个“不可预测”的随机数,很多时候是系统稳定和安全的基础,比如用于加密密钥的生成、通信协议的随机退避、或是抽奖程序里的公平性。

所以,当你的芯片没有那个专门的RNG外设时,我们得自己动手,丰衣足食。今天我就结合自己踩过的坑和项目经验,跟你详细聊聊两种在STM32上非常实用的随机数生成方法:一种是基于SysTick的伪随机数生成,速度快,开销小;另一种是基于ADC噪声的真随机数采集,随机性质量高,更接近物理随机。我会把原理掰开揉碎了讲,给你可以直接抄作业的代码,并且对比它们各自的优缺点,帮你根据项目需求做出最合适的选择。

2. 方法一:巧用SysTick定时器生成“准随机”数

这个方法的核心思路,就是给C语言标准库里的伪随机数发生器,找一个尽可能不可预测的“种子”。rand() 函数本身是一个确定性算法,给它相同的种子,它就产生完全相同的数列。所以,种子的随机性,直接决定了输出序列的“随机感”。

2.1 原理与生活化类比

你可以把 rand() 函数想象成一个非常复杂的、但配方固定的魔法面包机。只要你放入同样的原料(种子),它一定会做出完全一样口味的面包(随机数序列)。问题就在于,我们上哪去找每次都不一样的“原料”呢?

在STM32上,有一个一直在默默运行的“心跳”——SysTick定时器。它是Cortex-M内核的系统定时器,通常用来产生操作系统的时基或者做精确延时。它的计数器(SysTick->VAL)从重装载值开始,每个时钟周期递减,周而复始。关键点在于:你几乎无法精确预测在调用 srand() 的那一微秒,这个计数器的值是多少。因为系统中断、代码执行路径的微小差异、甚至外部事件(比如用户按键的时机)都会导致程序运行到获取种子那一行代码的时机有微妙的、不可控的差异。这个时刻的SysTick值,就是一个很好的随机种子来源。

这就像你想获得一个随机数,于是你闭上眼睛,随便喊一声“停”,然后立刻去看手表上秒针的位置(比如指在37秒)。这个“37”就是一个基于你反应时间和当前时刻的、难以复现的随机值。SysTick计数器就是那块高速运行的手表。

2.2 实战代码与详细步骤

理论说完了,我们来看怎么动手。这里我给出一个增强版的实现,它比简单地读一次计数器更可靠。

#include "stm32f1xx_hal.h" // 根据你的芯片系列修改

// 函数:获取基于SysTick的随机种子
uint32_t get_random_seed_from_systick(void) {
    uint32_t seed = 0;
    volatile uint32_t tick_val;

    // 方法1:直接读取当前值(简单快速)
    // seed = SysTick->VAL;

    // 方法2:混合多个时间点值,增加熵值(推荐)
    // 通过短延时制造微小的时间差,读取多个值进行异或混合
    for(int i = 0; i < 4; i++) {
        tick_val = SysTick->VAL;
        seed ^= (tick_val << (i * 8)); // 将每次读取的值移位后异或
        // 插入一个极短的、不精确的循环延时,让每次读取的时机略有不同
        for(int j = 0; j < (10 + (tick_val & 0xF)); j++) {
            __NOP(); // 空操作,消耗几个CPU周期
        }
    }

    // 如果系统已经启动了HAL库的Tick,也可以结合HAL_GetTick()的值
    seed ^= HAL_GetTick();

    return seed;
}

// 初始化随机数生成器
void random_init(void) {
    uint32_t seed = get_random_seed_from_systick();
    srand(seed); // 播种
}

// 获取指定范围的随机数
int get_random_range(int min, int max) {
    if(min >= max) {
        return min;
    }
    int range = max - min + 1;
    // 注意:rand()的均匀性在高端不完美,但对于一般应用足够
    return min + (rand() % range);
}

// 在你的main函数初始化阶段调用
int main(void) {
    HAL_Init();
    SystemClock_Config();

    // 初始化随机数种子
    random_init();

    // 现在可以安全使用rand()了
    int random_value = get_random_range(1, 100);
    printf("生成的随机数: %d\n", random_value);

    while(1) {
        // 你的应用代码
        // 如果需要连续获取,直接调用 get_random_range 即可
    }
}
<
17.STM32硬件随机数 阅读详情

相关推荐

STM32随机数生成c语言,如何使用STM32 MCU生成REAL随机数?

我发现并测试了另一种方法,效果很好。它可以生成真正的随机32位数字,我从来没有检查过它的速度,可能每个数字需要几毫秒。这是怎么一回事呢:阅读以最快的速度可能嘈杂的内部温度,以产生最大的ADC噪声运行通过硬件CRC发生器的值,在大多数(全部?)STM32芯片可用重复几次,我发现8次给了很好的随机性。我通过按升序对输出值进行排序并将它们绘制在excel中来检查随机性,随机数字很好产生一条直线,不确定的...

weixin_42465332的博客 1053

STM32硬件随机数发生器(RNG)实战:从寄存器配置到安全应用

本文深入探讨了STM32硬件随机数发生器(RNG)的实战应用,从寄存器配置入手,详细解析了RNG_CR、RNG_SR和RNG_DR三个核心寄存器的功能与操作要点。针对物联网设备的安全需求,文章对比了伪随机数与真随机数的差异,强调了硬件RNG在密钥生成、安全认证等场景中的不可替代性,并提供了从底层驱动到混合随机数系统构建的完整代码实现与安全应用指南。

weixin_28285943的博客 706

STM32硬件随机数发生器(RNG)实战:从真随机数获取到安全应用

本文深入探讨STM32硬件随机数发生器(RNG)的应用实践,从真随机数获取到安全应用场景。详细解析RNG初始化流程、数据读取注意事项,以及在物联网设备密钥生成和一次性密码(OTP)中的实战应用,帮助开发者提升系统安全性。

weixin_30443075的博客 464

STM32F4硬件随机数发生器(RNG)原理与高可靠驱动设计

硬件随机数发生器(HRNG)是嵌入式系统安全的熵源基础,区别于伪随机数生成器(PRNG),其通过物理噪声(如热噪声、量子效应)产生真随机性,具备不可预测性与高熵特性。其核心原理涉及模拟噪声采集、熵池混合(如LFSR)、时钟约束(≥48 MHz)及状态机就绪机制(DRDY)。技术价值在于为密码学、TLS密钥派生、设备唯一标识等场景提供可信初始熵;典型应用场景包括物联网安全启动、防重放攻击、加密芯片密钥生成及mbedTLS熵源注入。本文以STM32F4系列为载体,深入解析RNG寄存器级行为、时钟树配置要点、错误

weixin_30021053的博客 561

STM32_RNG

RNG(Random Number Generator,随机数生成器)是 STM32 单片机中用于生成真随机数的外设,基于模拟噪声源,广泛应用于加密、安全认证、随机选择等场景。STM32F407 系列芯片配备了 1 个 RNG 外设,支持 32 位随机数生成,符合 FIPS PUB 140-2 标准,可生成高质量的随机数。本文从 RNG 的基本原理出发,详细讲解 STM32F407 RNG 的配置方法、代码实现、随机数生成以及实际应用案例,帮助你快速掌握 RNG 的使用技巧。

轩宇的博客 603

STM32硬件随机数发生器(RNG)实战:从原理到安全应用

本文深入探讨STM32硬件随机数发生器(RNG)的原理与安全应用,通过实战案例展示如何避免常见陷阱并优化性能。从RNG寄存器操作到安全密钥生成,详细解析硬件随机数在物联网设备中的关键作用,帮助开发者提升系统安全性。

weixin_30352645的博客 562

别再只用软件随机数了!手把手教你用STM32的RNG硬件模块生成真随机数(附HAL库完整代码)

本文深入解析STM32硬件随机数生成器(RNG)的原理与应用,对比真随机数与伪随机数的本质区别,提供基于HAL库的完整代码实现。通过实战案例演示如何构建安全密钥生成系统,涵盖熵源采集、随机数提炼及错误处理等关键技术,帮助开发者提升嵌入式系统的安全性。

weixin_30940783的博客 395

STM32硬件随机数发生器(RNG)原理与安全使用指南

真随机数发生器(TRNG)是密码学安全的基础组件,其核心在于利用物理熵源(如模拟电路噪声)生成不可预测、不可重现的随机比特。与伪随机数生成器(PRNG)依赖确定性算法不同,TRNG通过时钟隔离、故障检测和状态轮询等硬件机制保障输出可靠性。在嵌入式系统中,STM32 RNG外设提供符合NIST SP 800-90B标准的32位真随机数,支持DRDY就绪标志、CECS/SECS错误监测及中断响应,广泛应用于密钥生成、挑战响应认证与防重放攻击等安全关键场景。本文深入解析其寄存器操作时序、HAL库健壮初始化流程与拒

weixin_42584507的博客 291

STM32硬件随机数发生器(RNG)原理与工程实践

硬件随机数发生器(TRNG)是嵌入式系统安全的底层基石,其核心在于利用物理噪声源(如环形振荡器亚稳态)生成不可预测的真随机熵。区别于软件伪随机数生成器(PRNG),TRNG通过模拟-数字混合架构(噪声采集+LFSR后处理)满足FIPS 140-2、NIST SP800-90B等密码学标准。其技术价值体现在抗预测性、不可重现性与低功耗实时性,广泛应用于密钥派生、会话令牌、TLS握手等安全场景。在STM32平台,RNG外设严格依赖独立时钟源(PLL48CLK)与专用寄存器(RNG_CR/RNG_SR/RNG_D

weixin_35390379的博客 151

Zotero PDF Translate插件实战:DeepL API免费申请与高效翻译配置指南

本文提供Zotero PDF Translate插件配置DeepL API的完整实战指南。详细介绍了如何免费申请DeepL API密钥,解决国内访问问题,并在插件中完成精细配置,实现文献阅读时的无缝划词翻译,大幅提升科研人员和学生的英文文献阅读效率。

rum55的博客 468

SHAP图全解析:从理论到实践,教你如何读懂和优化模型特征

本文全面解析SHAP图,从博弈论基础到实战应用,指导读者如何解读和利用SHAP值优化机器学习模型。通过详解特征重要性条形图、小提琴图、依赖图及决策图等关键可视化工具,帮助数据科学家精准诊断模型、识别特征交互,并将洞见转化为特征工程与模型调试的实际行动,有效提升模型可解释性与性能。

svm4gardener的博客 191

Ubuntu20.04配置PX4环境启动或编译jmavsim 出现的错误及解决办法

错误1:ant命令未找到

Iamsonice的博客 8859

Cadence16.6安装教程

如需安装所需的软件,请到文章末尾处查看 安装步骤: 安装前先关闭杀毒软件和360卫士,注意安装路径不能有中文,安装包路径也不要有中文。 试装系统:win10 64bit 1.解压安装包(共5个压缩包,每个都要解压) 2.以管理员身份运行安装程序。 3.选择License Manager。 4.点击NEXT。 5.选择I accept,然后点击NEXT。 6.选择License Manage...

谢谢关注“小鱼教你模数电”,各平台同号 8万+

ur3手眼标定+realsenseL515

知乎 csdn

AI_future的博客 979

endnote让参考文献整整齐齐

这篇文章主要是针对利用 endnote 插入参考文献时,参考文献第一行和后面的行对不齐的问题 下面是示意图 可以看到我们的参考文献对的整整齐齐的,比较好看。 下面介绍具体步骤 1、打开endnote。编辑我们使用的参考文献样式。我这儿是叫 ZZ_MODIFIED_GEEBINF 复制 2、找到布局,每个参考开头,将光标放在在参考开头后面,点插入字段,制表符 3、右下角悬挂式输出哪儿选择全部段...

雾隐雾现的至渝博客 5万+

Spring AI Alibaba 项目源码学习(九)-其他继承BaseAgent

本文分析了Spring AI Alibaba Agent Framework中的A2aRemoteAgent实现,主要特点包括: 实现了Agent间的远程调用能力,支持分布式部署 核心组件包括AgentCard封装元数据、A2aNodeActionWithConfig处理调用逻辑、AgentCardProvider提供卡片管理 支持流式调用和状态共享机制 采用Builder模式构建Agent实例 通过指令传递实现Agent间通信 关键流程包括状态提取、请求构建、远程调用和状态更新四个步骤,形成Agent

820

【超分辨率(Super-Resolution)】关于【超分辨率重建】专栏的相关说明,包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等

本专栏研究领域为【超分辨率重建】,涵盖图像超分、视频超分,实时超分,4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今,一般是一篇论文精读对应一篇论文复现。论文精读详解理论,归化繁为简,归纳核心,积累词句,培养阅读论文和论文写作能力。论文复现依托Pytorch代码,实现完整的模型训练流程,总结调参方法,记录碰到的bug,论文插图可视化,培养读写代码能力、做实验的能力、以及应用落地能力。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 3万+

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》。

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")

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。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

上一篇: 中小企业福音:快解析NAT移动版+管家婆辉煌II TOP+异地访问实战教程
下一篇: Workbench网格划分实战指南:从基础到进阶技巧
github5actions
博客等级 码龄1天 0粉丝 1824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