解决apm和externinfo两个问题

最新推荐文章于 2025-03-20 01:03:00 发布
原创 最新推荐文章于 2025-03-20 01:03:00 发布 · 417 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#脚本 #2010

本文解决real6410开发板在移植内核系统后遇到的两个问题：一是qt运行时报错找不到apm命令，解决方法是在文件系统中添加一个空的可执行脚本apm；二是无法读取目录/usr/lib/ipkg/externinfo，解决方案为手动创建该目录。

转自http://huangjianming31.blog.163.com/blog/static/3474087120107333725748/


开发板real6410移植内核系统后总是显示错误：

[root@Real6410 /]# sh: apm: not found

QDir::readDirEntries: Cannot read the directory: /usr/lib/ipkg/externinfo


第一个问题sh: apm: not found

qt运行的时候会去运行apm命令，但实际上文件系统没有安装这个命令，解决办法：

在文件系统中增加一个可执行脚本apm,当然这个脚本什么也不用做，内容如下即可：

#!/bin/sh
在主机中给这个脚本增加可执行属性并放到板子文件系统的/usr/sbin下即可


第二个问题QDir::readDirEntries: Cannot read the directory: /usr/lib/ipkg/externinfo

自己手动建立/usr/lib/ipkg/externinfo目录即可

【微服务】springboot整合skywalking使用详解
congge
12-31 1万+
springboot整合skywalking
【微服务】springcloud集成skywalking实现全链路追踪
congge
01-07 1万+
springcloud集成skywalking实现全链路追踪
APM和PIX飞控日志分析入门贴
热门推荐
闲来无事搞搞机
05-30 3万+
我们在飞行中，经常会碰到各种各样的问题，经常有模友很纳闷，为什么我的飞机会这样那样的问题，为什么我的飞机会炸机，各种问题得不到答案是一件非常不爽的问题，在APM和PIX飞控中，都有记录我们整个飞行过程各种数据的日志文件，通过地面站查看日志，便能知道我们的问题出在哪里，我们的飞机在空中爽不爽等等，有些模友知道有日志记录，但不知道怎么查看，经常求助于老鸟帮忙，一次两次人家愿意，多了总麻烦别人也不过意，
从源头解决内存泄漏问题：全面解析内存泄漏检测与修复技术
Lion_Long的博客
09-26 1467
本文全面解析了内存泄漏问题，详细介绍了内存泄漏检测与修复技术。首先，我们将深入了解内存泄漏的定义和原因，帮助读者理解为什么内存泄漏是一个严重的问题。然后，我们将介绍几种常见的内存泄漏检测工具和技术，包括静态分析和动态分析方法。我们将详细讨论每种方法的优缺点，并提供实际示例帮助读者更好地理解如何使用这些工具。最后，我们将介绍一些常见的内存泄漏修复技术，包括内存回收和垃圾收集算法的优化。通过本文的阅读，读者将能够全面了解内存泄漏问题，并学会如何从源头解决这些问题，提高程序的性能和稳定性。
iOS APM监控总览
hnliuyiyun的专栏
06-29 3262
APP APM考察指标主要包含卡顿、网络、crash、耗电量、CPU使用率、内存消耗等几个方面
带你打造一套APM系统
Android技术之家
07-04 3461
APM 是 Application Performance Monitoring 的缩写，监视和管理软件应用程序的性能和可用性。应用性能管理对一个应用的持续稳定运行至关重要。所以这篇文章...
STM32F4XX/APM32F4XX USB OTA升级
dailin2012的博客
09-02 905
STM32F4XX/APM32F4XX USB OTA升级
带你打造一套 APM 监控系统（二）
GSNICE
07-14 2273
三、 CPU 使用率监控 1. CPU 架构 CPU（Central Processing Unit）中央处理器，市场上主流的架构有 ARM（arm64）、Intel（x86）、AMD 等。其中 Intel 使用 CISC（Complex Instruction Set Computer），ARM 使用 RISC（Reduced Instruction Set Computer）。区别在于不同的 CPU 设计理念和方法。 早期 CPU 全部是 CISC 架构，设计目的是用最少的机器语言指令来完成所需的计算任
分布式链路追踪之SkyWalking详解和实战
Java__EE小白成长之路
08-09 3681
2015年由个人吴晟（华为开发者）主导开源，作者是华为开发云监控产品经理，主导监控产品的规划、技术路线及相关研发工作，也是OpenTracing分布式追踪标准组织成员 ，该项目 2017年加入Apache孵化器，是一个分布式系统的应用程序性能监控工具（APM），专为微服务、云原生架构和基于容器（Docker、K8s、Mesos）架构而设计。官方站点：http://skywalking.apache.org/GitHub项目地址：https://github.com/apache/skywalking其核心功
SpringBoot系列---【SpringBoot集成Skywalking】
-少年-的博客
03-20 1429
skywalking ui页面上最终查看到的效果如下图，此时不会有默认的那一堆没用的了。
如何构建轻量级内存监控模块：实时检测泄漏、越界和重复释放的4层架构设计
[如何构建轻量级内存监控模块：实时检测泄漏、越界和重复释放的4层架构设计](https://img-blog.csdnimg.cn/aff679c36fbd4bff979331bed050090a.png) # 1. 内存安全问题的根源与监控需求分析 内存安全问题是C/C++等...
ESP32内置HTTP Server响应异常？定位本地服务瓶颈的5个方法
# 1.... ## 常见响应异常现象及其表现特征 ...这些现象往往并非单一因素导致，而是网络配置、...异常根源可归为三类：**协议栈层问题**（如LWIP缓冲区不足）、**应用层逻辑阻塞**（如在uri_handler中执行延时操作），以及**
【嵌入式AIoT】系统架构与轻量化模型部署：面向智能家居与工业监测的边缘智能终端实战设计
12-21
内容概要：本文系统介绍了嵌入式AIoT应用场景的实战方法与实践路径，涵盖从场景选择、系统架构设计到AI模型部署、通信与数据管理的全流程。重点阐述了嵌入式系统与人工智能、物联网技术的融合，强调在资源受限环境下实现感知、分析与决策一体化的智能终端系统。文章详细解析了感知层、边缘计算层和云端服务层的协同机制，突出边缘侧数据处理与轻量化AI模型优化的重要性，并倡导以实际需求为导向，避免“为AI而AI”的设计误区。同时，强调系统稳定性、远程维护和长期运行能力的建设。; 适合人群：具备嵌入式系统基础、物联网或AI相关背景，有一定开发经验的工程师或工作1-3年的技术研发人员；适用于希望深入理解AIoT系统集成与实战落地的学习者。; 使用场景及目标：①智能家居、工业监测、智慧农业等分布式智能系统开发；②在算力、功耗受限的嵌入式设备上实现AI推理与边缘智能；③构建高效、可靠、可维护的端云协同AIoT系统。; 阅读建议：建议结合实际硬件平台进行项目化学习，边学边练，重点关注系统架构设计、模型优化与通信协议选型，注重整体系统思维的培养，而非仅关注单一技术点。
基于Python 的UART 文件传输工具
最新发布
12-21
基于Python 的UART 文件传输工具，基于Pyside6的GUI界面
C# 基于 Onnx 与 P2PNet 的人群检测与计数系统源码实现
12-21
基于C#编程语言与Onnx运行时环境，本文档详细阐述了一种利用P2PNet架构实现人群密度估计与个体计数的技术方案。该方案通过解析预训练模型，实现了对图像或视频流中人群分布的精准检测，并提供了可靠的计数功能。核心内容包括模型加载与推理流程的完整实现、数据处理管道的构建以及性能优化策略的探讨。本文旨在为相关领域的开发人员提供一个清晰、可复现的参考实现，着重于工程实践的严谨性与代码模块的可用性。所有实现代码均经过结构化组织与详细注释，以确保其易于理解与集成。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
Theoretical Machine Learning Notes (Princeton COS511)
12-21
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结（summarization） 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签，可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
食堂线上预约点餐系统_一个基于现代Web技术构建的面向学校企业及园区食堂的综合性数字化餐饮服务平台_该系统旨在通过线上化流程彻底革新传统食堂就餐模式_核心功能模块包括用户端小程序.zip
12-21
食堂线上预约点餐系统_一个基于现代Web技术构建的面向学校企业及园区食堂的综合性数字化餐饮服务平台_该系统旨在通过线上化流程彻底革新传统食堂就餐模式_核心功能模块包括用户端小程序.zip
Unity STL文件读取插件：pb_Stl-master
12-21
Unity STL文件导入工具 该工具为Unity引擎提供标准STL格式三维模型文件的导入功能，支持二进制与ASCII两种编码格式的解析。通过集成此插件，开发者可直接在Unity编辑器中加载由各类CAD软件或三维扫描设备生成的STL模型文件，无需借助第三方转换软件进行格式预处理。 核心特性包括： 1. 完整几何数据解析：精确读取顶点坐标、法线向量及三角面片拓扑关系 2. 自适应材质分配：根据模型几何特征自动生成并配置基础材质球 3. 内存优化机制：采用流式加载技术处理大型STL文件，避免编辑器卡顿 4. 坐标系统转换：自动校正不同三维软件坐标系差异，确保模型方向一致性 技术实现层面，插件通过托管DLL封装了经过优化的STL解析算法，在保证读取精度的同时维持了较高执行效率。导入后的模型将自动生成标准网格组件，支持Unity光照系统、碰撞体生成及导航网格烘焙等后续处理流程。 该工具适用于机械设计展示、三维打印预览、工业仿真等需要频繁交换CAD数据的开发场景，显著简化了从工程设计到实时渲染的工作流程。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
（60页PPT）某省市某省市集活动策划方案63.pptx
12-21
（60页PPT）某省市某省市集活动策划方案63.pptx
apm能解决依赖问题吗
09-18
<think> 我们注意到用户的问题集中在APM（应用性能管理）是否能解决依赖问题上。结合之前的对话历史，用户之前询问的是yum包管理器（解决软件包依赖问题），现在转向询问APM是否解决依赖问题，但这里的“依赖”可能有不同的含义。 仔细分析： - 在软件包管理领域（如yum），“依赖”指的是软件包之间的依赖关系（如A包需要B包的某个版本才能运行）。 - 在应用性能管理（APM）领域，“依赖”通常指的是应用程序之间的调用依赖关系（如微服务A调用微服务B）或基础设施依赖（如数据库、缓存等）。 根据引用[1]：APM会“了解应用和服务之间的依赖关系”，这里的依赖关系是指应用程序运行时的拓扑关系，而不是软件包安装时的依赖关系。 因此，我们需要明确回答：APM并不能解决软件包安装时的依赖问题（如yum所解决的），但可以解决运行时应用依赖关系的监控和分析问题。 步骤： 1. 澄清两种依赖的区别。 2. 说明APM在依赖关系方面的作用（监控和分析运行时依赖）。 3. 指出APM不能解决软件包安装依赖问题（那是包管理器的职责）。 4. 根据引用[3]，提到依赖冲突（这里指的是开发中的库版本冲突）也不是APM的解决范围。 同时，我们注意到引用[2]和[3]中： - 引用[2]提到的是无人机固件（APM）的故障排除，与这里的APM（应用性能管理）无关，属于缩写歧义，可以忽略。 - 引用[3]讨论的是Flutter开发中的依赖冲突（库版本冲突），这属于开发构建时的依赖问题，也不是APM解决的范畴。 因此，回答的结构如下： - 第一部分：区分两种依赖（包管理依赖和运行时依赖）。 - 第二部分：解释APM解决的依赖类型（运行时依赖）。 - 第三部分：澄清APM不能解决的依赖类型（包安装依赖和构建依赖）。 最后，生成相关问题。 注意：使用中文，引用标记。 </think> ### APM 能否解决依赖问题？——系统解析不同类型的依赖管理 从您的提问来看，您关注的「依赖问题」可能涉及两个不同领域： 1. **软件包依赖**（如 yum 管理的库文件和版本冲突） 2. **运行时依赖**（应用程序间的服务调用关系） APM（应用性能管理）的核心能力集中在**运行时依赖分析**，而非软件包安装阶段的依赖管理。下面详细解析： --- #### 一、APM 解决的依赖问题：**运行时服务依赖** 根据引用[1]，APM 的核心功能是通过监控分布式系统的遥测数据，**自动绘制服务依赖拓扑图**。例如： - 当微服务 A 调用数据库 B 和缓存服务 C 时，APM 会实时映射出依赖链： $$A \rightarrow B \quad \text{和} \quad A \rightarrow C$$ - 若数据库 B 响应延迟，APM 会定位到根源问题（如 B 的线程池耗尽），而非仅显示 A 的报错[^1]。 - **优势**：解决复杂架构（如 Kubernetes 集群）中跨服务的隐形依赖，避免“问题在 A，根因在 Z”的排查困境。 > ✅ **典型应用场景**： > - 微服务调用链追踪（如 Jaeger/SkyWalking） > - 数据库、消息队列等中间件的依赖分析 > - 云原生环境的服务拓扑发现 --- #### 二、APM **无法解决**的依赖问题 1. **软件包安装依赖**（如 yum 的库版本冲突） - 此类问题需由包管理器（yum/APT）解决： - yum 通过仓库元数据自动解析依赖树（如 `A→B→C`） - 若版本冲突（如 `A 需 B>=1.0` 但系统存在 `B=0.9`），yum 会中止安装并提示冲突 - **APM 不涉及此过程**，因其作用域在运行时而非安装阶段。 2. **开发阶段的库版本冲突** 引用[3]指出此类问题（如 Flutter 中 `library_X v1.0` 与 `library_Y v2.0` 冲突）： - 需通过开发工具链解决（如 Maven/Gradle 的依赖排除） - 错误示例： ```gradle dependencies { implementation 'com.lib:X:1.0' // 与 Y 冲突 implementation 'com.lib:Y:2.0' // 要求 X>=1.5 } ``` - APM 无法干预编译前的依赖冲突[^3]。 --- #### 三、关键结论对比 | 依赖类型 | 解决工具 | APM 是否支持 | |-------------------------|------------------|--------------| | 服务运行时调用依赖 | APM（如 Dynatrace） | ✅ 是 | | 软件包安装依赖 | yum/APT/DNF | ❌ 否 | | 开发库版本冲突 | 构建工具（Maven等）| ❌ 否 | > 💡 **简单总结**： > - 若问题涉及 **「服务 A 为什么变慢」** → APM 可分析其依赖的服务 B/C > - 若问题涉及 **「安装软件时提示缺少 libXXX.so」** → 需用 yum 解决 > - 若问题涉及 **「代码编译时报版本冲突」** → 需调整构建配置 --- #### 四、APM 在依赖分析中的实际案例 假设一个电商应用包含以下服务： ```mermaid graph LR User-->|HTTP| API_Gateway API_Gateway-->|RPC| Product_Service Product_Service-->|SQL| MySQL API_Gateway-->|HTTP| Payment_Service ``` 当用户支付超时时，APM 会： 1. 检测到 `Payment_Service` 延迟飙升 2. 追踪发现其依赖的第三方支付网关响应超时 3. 自动生成报告：**根因 = 外部支付接口故障** 此过程无需人工分析服务间依赖关系[^1]。 ---
评论
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