Linux 移动电话缓慢发展

1、开启Raspberry Pi之旅:编程乐趣与发展历程 本文详细介绍了Raspberry Pi的诞生背景及其在计算机教育中的重要性,回顾了Raspberry Pi从构思到发展的历程,并全面讲解了Raspberry Pi的硬件型号、连接设置、系统管理、网络配置以及故障排除等内容。同时,文章强调了Raspberry Pi社区在推动学习和创新方面的作用,并提供了丰富的编程资源和实践指南,帮助读者开启自己的Raspberry Pi探索之旅。 阅读详情
       LinuxAID.com.cn站点最新信息:BusinessWeek的"European Business" 最近发表文章指出,人们对Linux移动电话的热情持续高涨,虽然目前的发展还比较缓慢。一般来说,由于较高的电源消耗和软件单一等问题让Linux落后于Symbian以及Windows Mobile,但考虑到巨大的成本优势,很多厂商仍然对Linux怀有很大的兴趣。

  BusinessWeek预计,今年Linux手机的出货量将达到110万台,而Symbian将达到1400万台。 目前,MontaVista Linux 是在手机中应用最多的Linux操作系统。在费用上,每只手机使用这种操作系统可以比使用Symbian或者Windows Mobile的手机便宜5到7美元。

  该文章特别提到,从2003年2月开始,Motorola表示将使用Linux。到目前为止,该公司已经在中国推出了两款Linux手机,另外还准备继续推出两款。文章认为,Motorola公司的此举,主要是策略上反对Symbian。就在该公司宣布支持linux之后不久,就收回了自己在Symbian中19%的股份。

  韩国巨头 Samsung,中国的大唐,日本的NTT/DoCoMo已经联合起来支持Linux。 纷纷表示推出Linux的手机甚至是Linux 3G手机。BusinessWeek 文章总结说,Linux在中低端市场上具有很好的发展前景。

  欲知详细情况,请点击这里

工创赛智能搬运小车实战:视觉定位、底盘控制与RTOS调度 智能搬运系统是嵌入式控制与机器视觉融合的典型工程实践,其核心在于视觉定位精度、运动控制稳定性与实时任务调度能力。在有限算力(如STM32H7)、低功耗约束和结构化场景下,传统CV方法(如FAST+RANSAC)比轻量级深度学习更具鲁棒性与实时性;而底盘控制需穿透PID表层,直击死区补偿、编码器硬件滤波与负载自适应等物理层细节;RTOS则不是炫技工具,而是保障多模块时序确定性的刚需——尤其在视觉-控制-执行强耦合链路中,任务优先级、事件组通信与栈安全直接影响系统存活。本文聚焦全国大学生工程训练竞赛(工创赛)真 阅读详情

相关推荐

网课、网页视频倍速播放简单脚本

一个简单的网页视频倍速脚本

huazn612的博客 1万+

关注七项Linux内核发展方向

  1、虚拟化技术  由于认识到虚拟化技术是本世纪最大的趋势,Linux内核维护者已经破例以飞快的速度将虚拟化功能加入到它的内核中。由新兴公司Qumranet的Avi Kivity所贡献的系统管理程序KVM已经被在2006年底被加入到内核中,并在最近的版本中进行了更新。在迅速的内核版本发布和缓慢前进的企业版Linux之间之间存在鲜明对比,KVM则是一个典型的例子。  Novell负责管理的

牛魔王的专栏 935

解密GPT-5-Codex CLI安全最佳实践:从API Key保护到沙箱模式详解

本文深入解析GPT-5-Codex CLI在企业环境中的安全最佳实践,涵盖API Key全生命周期管理、沙箱模式配置及网络传输加固等核心防护策略。通过分层存储方案、动态环境变量加载和精细化权限设计,帮助开发团队构建企业级AI编程助手的安全防线,有效预防密钥泄露和未授权访问风险。

weixin_29309785的博客 588

拨云见日 关注七项 Linux 内核发展方向

对于一个 Linux 的企业用户来说,它的内核开发可能显得过于复杂了,有许多人在维护不同的代码,而且有更多志愿者在提交代码,这种乱花渐欲迷人眼式的“热闹”景象却让我们很难看清未来将有什么样的新功能。   就其本身而言,Linux 的发展没有路线图。为了对 Linux 发展方向有一个简单的认识,作者根据与开发者和内核维护者的交流,以及从 www.kernelnewbies.org 网站上了解的知识,...

中國壹石頭 284

告别sgmediation!Stata中介效应分析新选择:mediation包完整操作指南

本文介绍了Stata中介效应分析从传统sgmediation命令向mediation包的范式升级。重点阐述了如何使用medeff和medsens命令进行更严谨的因果推断,并执行关键的敏感性分析,以评估结果对未观测混杂的稳健性,为学术研究提供发表级的分析工具。

redis7keeper的博客 1163

信创改造实战:SpringBoot项目迁移到宝兰德BES 9.5.5的完整避坑指南(附依赖与web.xml配置)

本文详细介绍了将SpringBoot项目迁移到宝兰德BES 9.5.5的完整流程,包括依赖改造、web.xml配置降级等关键步骤。通过实战案例和避坑指南,帮助开发者高效完成国产中间件适配,确保项目平稳运行。特别针对Tomcat依赖排除和BES适配器选择提供了专业建议。

weixin_30689307的博客 743

拨云见日 关注七项Linux内核发展方向

<br />对于一个Linux的企业用户来说,它的内核开发可能显得过于复杂了,有许多人在维护不同的代码,而且有更多志愿者在提交代码,这种乱花渐欲迷人眼式的“热闹”景象却让我们很难看清未来将有什么样的新功能。 <br />  就其本身而言,Linux的发展没有路线图。为了对Linux发展方向有一个简单的认识,作者根据与开发者和内核维护者的交流,以及从www.kernelnewbies.org网站上了解的知识,提出了值得关注的七个开发领域。当然,这七个方面的发展也不会顺风顺水,和众多其他进入Linux内核的功能

babyfans的专栏 554

“华为杯”研究生数学建模竞赛2016年-【华为杯】A题:多无人机协同任务规划

题分别求解,保证了攻击方无人机滞留在防御方雷达有效探测范围内的时间总和最小,接着,通过提出巡检待命无人机的设想,型无人机携带炸弹的具体清单和攻击的目标清单),保证攻击方的无人机滞留防御方雷。在使用基于贪心算法的覆盖法时,覆盖的目标点中必须首先不含配备雷达站的目标点。步优化保证攻击方的无人机滞留防御方雷达有效探测范围内的时间总和最小,需首先。的“灵巧”炸弹,采用抛投方式对地攻击,即投放后炸弹以飞机投弹时的速度作抛物。运动,当炸弹接近目标后,可主动寻的攻击待打击的目标,因此炸弹落点位于目标中。

getusushu的博客 1040

构建嵌入式Linux操作系统 Linux操作系统的介绍

目前流行的嵌入式操作系统有Linux、WinCE、VxWorks等。Linux作为一种免费的类UNIX操作系统,由于其功能强大,在嵌入式产品的应用中非常广泛。Linux操作系统 Linux操作系统是一个类UNIX计算机操作系统。Linux操作系统的内核的名字也是Linux。Linux这个词本身只表示Linux内核,但在实际中人们已经习惯了用Linux形容整个基于Linux内核的操作系统。Linux的最初版本由Linus Torvalds开发,此后得到互联网上很多计算机高手的支持,已经是一个非常成熟稳定的操作

小超嵌入式笔记 1357

用 ADT 的 RAP Generator 把 RAP 栈一键搭起来:从表到可预览的 OData V4 应用

摘要 SAP RAP Generator 工具能显著提升开发效率,通过一键生成从数据库表到完整 OData UI Service 的全套对象(包括 CDS、Behavior、Service Definition 等)。该工具特别适用于原型验证和标准化应用开发,可节省 60% 以上的基础编码时间。使用时需注意: 表设计需包含关键管理字段(如 last_changed 时间戳) 向导配置决定分层架构和命名规范 生成结果包含可立即预览的 Fiori Elements 界面 后续可专注于业务逻辑增强(校验、权限等)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1282

Google Earth Engine(GEE)——使用归一化燃烧指数 (NBR) 绘制地表烧伤严重程度图

归一化燃烧指数(Normalized Burn Ratio, NBR)是一种遥感指标,用于评估野火或烧伤地面后的植被恢复情况。NBR能增强较大范围的火灾区域,如大于200公顷。它是通过比较远红外波段 (SWIR) 和近红外波段 (NIR) 的反射率来计算的。SWIR波段测量烧伤地面的反射率,NIR波段测量没有受到烧伤影响的植被的反射率。NBR的计算公式为:NBR =(NIR-SWIR)/(NIR + SWIR)。其中,NIR为近红外波段,SWIR为短波红外波段。

此星光明博客 3468

Linux内核支持蓝牙 新版操作系统将问世

Linux开发内核已经加进了对“蓝牙”技术的支持,不久即将发布的Linux操作系统的新版本在朝着支持“蓝牙”方面又迈进了一步。 使用“蓝牙”技术,各种PC、便携设备及外设之间可以在“个人区域网络”内实现无线连接,这项技术有可能取代大多数电脑系统所使用的各种缆线。In-Stat/MDR研究公司预计,光今年就会出现1亿个“个人区域网络”,而到2005年,这种网络的数量将达到9亿个。 尽管这种无线技术在

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 2029

高通 vs MTK vs 海思:三大平台 ISP 架构横向对比与实战差异分析

随着移动影像能力成为智能终端差异化竞争的核心维度,ISP(Image Signal Processor)架构日益重要。高通、MTK、海思三大 SoC 厂商在 ISP 设计上各具特色,不仅在图像处理链路、模块集成度、算法加速路径等方面存在显著差异,同时也决定了终端厂商在成像质量、调试复杂度与扩展能力上的实际表现。本文将基于真实平台项目经验,横向对比三大主流平台的 ISP 架构关键指标,系统分析其在实际开发过程中的能力边界、工程成本与调优空间,帮助工程师更精准地进行平台选型与优化策略制定。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 3940

Symbian财报显示手机操作系统仍>>>>Windows Mobile, Linux

根据全球手机操作系统供应商Symbian近日公布的截至2007年第4季度以及2007年全年未审计的财务和运营数据,Symbian智能手机在2007年出货量达7730万部。业内认为,根据这个财报,Symbian仍占据智能手机操作系统多数份额,在与微软智能手机操作系统的较量中占据优势。  出货量增50%  财报显示,2007年,全球Symbian智能手机出货量达7730万部,比2006年(51

Linux智能手机--cuijpus的专栏 1353

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

基于Linux的VOIP开放协议和专有协议

VoIP到底是什么?需要为VoIP做哪些准备?到底有哪些开放协议和专有协议?本文将探讨这些问题,并比较了几款最流行的用于呼叫和电话会议的Linux应用­软件。在特殊情况下,VoIP网络可以与传输电话网络连接起来。不过目前,这肯定不是标准做法。换句话说,你可能没法呼叫在使用传统电话的人。虽然目前市面上有各种应­用软件——包括免费软件和专有软件,但通过因特网...

weixin_33725270的博客 152

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

基于Linux的VoIP开放协议和专有协议

        在特殊情况下,VoIP网络可以与传输电话网络连接起来。不过目前,这肯定不是标准做法。换句话说,你可能没法呼叫在使用传统电话的人。虽然目前市面上有各种应­用软件——包括免费软件和专有软件,但通过因特网拨打电话存在一些重大缺点。最明显的就是,系统不稳定,而且传输速度缓慢,连接线路上可能会有很大噪声。因此,­无法用它取代传统电话。虽然有些服务提供商采取了一定的防范措施,但无法保证你能够接

messagebox的专栏 626

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")

手机系统暗潮汹涌 Symbian将何去何从?

本文发表时间在 2009-11     随着三星自主智能操作平台Bada的发布,智能终端市场的战斗将升级到白热化的阶段。目前,主流智能操作系统中,Symbian和WindowsMobile占据的庞大市场份额正在被慢慢瓜分,Android及其他智能平台的崛起带给业界的,也许并不仅仅是惊艳而已。     随着3G时代的到来,智能终端的市场占有率逐步增加,成为市场主流。而作为和智能手机一起成长起来的...

babala_234的专栏 184

Symbian 加码中国 智能手机OS赶早不如赶巧

Symbian 加码中国 智能手机OS赶早不如赶巧2007.09.05  来自:CNET时下,中国移动正在进行TD网络建设以及TD-SCDMA终端采购工作,Symbian CEO的来访,增加了市场对于Symbian平台角逐TD手机招标的猜想。有关报道曾指出国外操作平台在此次招标中要跨越的障碍之一就在于昂贵价格:每套OS软件多达十几美元的许可费。但记者从Symbian提供的数据了解到

Wave的专栏 1194

repost:ff OS Architecture

B2G OS(FireFox OS) Architecture https://blog.youkuaiyun.com/xiaoma_pedro/article/details/81030651 0、前提: 原文地址:https://developer.mozilla.org/en-US/docs/Archive/B2G_OS/Architecture 1、本文参照FireFox官网与外网上相对较少的...

hunter 443

Linux输入输出重定向与用户管理精要

本文系统梳理了Linux输入输出与用户组管理核心内容。输入输出部分涵盖字符设备与块设备区别、文件描述符、重定向与管道机制,重点解析2>&1等易错点;用户管理部分详解3A安全机制、用户分类、配置文件及常用命令(如useradd、passwd、sudo),强调权限最小化与安全审计。全文突出实践应用,适用于系统运维与考试复习。

2301_80092853的博客 644

Linux 网络排障实战:工业边缘场景下的 ss 与 netsta

工业网关的网络问题 — 服务起不来、连接堆积、外联异常 — 大多能从 socket 状态入手定位。;netstat 属于已停止维护的 net-tools,本文仅作对照。从工程实战角度梳理连接排查的完整用法。

ZenovaEdgeOS的博客 454

USB 技术系列 11 · USB Linux 驱动框架

本文系统解析Linux USB驱动框架,涵盖USB Core、HCD(xhci-hcd/dwc3)、类驱动(CDC/HID/Mass Storage)分层架构,详解usb_device_id匹配、probe/disconnect生命周期及Device Tree配置。结合RISC-V N300实战,揭示Host/Device双模式驱动开发核心逻辑,助力嵌入式BSP开发者掌握USB子系统全栈能力。

peter_pan_study的博客 290

Linux的管道符与重定向符

在讲解具体符号前,必须先理解 Linux 进程处理数据的三个默认通道(文件描述符):重定向和管道的本质,就是改变这些数据流的默认指向。将命令原本要打印在屏幕上的结果,写入到文件中。示例:(将 目录的详细列表写入 ,屏幕不再显示)示例:(在 末尾新增一行日志)示例:(若权限不足, 报错会被写入 ,屏幕无显示)示例(推荐用 ):(安装过程中的正常提示和报错信息,统统存入 )示例(传统写法):(注意顺序:先把 stdout 指向文件,再把 stderr 指向 stdout 当前的位置)示例:(命令执行,但屏蔽

Yisitelz的博客 208

Linux 学习 - 第十五周作业

与 2.4 步骤相同, 唯一差别是先装 docker, 再用 cri-dockerd 把 docker 适配成 CRI, 因为 v1.24 之后移除了内置的 dockershim。组件之间只有一条通道: 全部组件都 watch 或写入 kube-apiserver, 由 apiserver 落 etcd, 组件之间从不直接通信。设置 immutable: true 后不能修改, 只能删除重建。全程异步、watch 驱动, 没有任何组件去命令另一个组件, 这就是声明式架构的本质。

corey93的博客 192

linux用phytool测试mdio接口的phy芯片

【代码】linux用phytool测试mdio接口的phy芯片。

qq_26074053的博客 208

Instabox 云端 Linux 虚拟机配置中文拼音输入法

Fcitx5 和拼音已安装、桌面会话加载了输入法环境变量、Fcitx 当前处于激活状态。在这次 Debian + XFCE 排查中,拼音本来已经安装;问题出在桌面会话没有正确加载变量,而且 Fcitx 需要再次激活。配置登录环境并执行后,当前输入法显示为pinyin,中文输入恢复正常。

binweisili的博客 140
上一篇: 国内电脑厂商再次拥抱 Linux
下一篇: 美国五大科技公司徘徊在十字路口
zcatlinux
博客等级 码龄22年 56粉丝 760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
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