MIT 6.S081 Operating System/Fall 2020 macOS搭建risc-v与xv6开发调试环境

文章目录

  • 本机配置
  • 安装环境
    • Homebrew
      • 执行安装脚本
      • 查看安装是否成功
    • RISC-V tools
      • 执行brew的安装脚本
    • QEMU
    • XV6
  • 测试
  • 有用的参考链接(感谢前辈)
  • 写在结尾

本机配置

电脑型号:Apple M2 Pro 2023
操作系统:macOS Ventura 13.4
所以我的电脑是arm64架构的M2芯片

安装环境

Homebrew

执行安装脚本

/bin/zsh -c "$(curl -fsSL https://gitee.com/cunkai/HomebrewCN/raw/master/Homebrew.sh)"
镜像选哪个都无所谓,我选择的是阿里巴巴

查看安装是否成功

brew --version

RISC-V tools

执行brew的安装脚本

这步需要先安装完成Homebrew
brew tap riscv-software-src/riscv
然后是 Build the toolchain
brew install riscv-tools
这步可能会比较慢,需要保持网络较为良好(我用的是HongKong),会占用大约6.5GB的存储空间

QEMU

brew install qemu

XV6

用git克隆下来
git clone https://github.com/mit-pdos/xv6-riscv.git
在这个文件夹中进行编译

cd xv6-riscv
make

在xv6-riscv文件夹下编译qemu
make qemu

成功截图
在这里插入图片描述

测试

使用 qemu-gdb 对 xv6 进行调试, 终端需要打开2个窗口

窗口1

cd xv6-riscv
make CPUS=1 qemu-gdb

成功截图在这里插入图片描述

窗口2

cd xv6-riscv
riscv64-unknown-elf-gdb

成功截图
在这里插入图片描述

有用的参考链接(感谢前辈)

MIT课程官方提供
https://pdos.csail.mit.edu/6.828/2020/schedule.html
https://pdos.csail.mit.edu/6.828/2020/tools.html

xv6与riscv
https://github.com/mit-pdos/xv6-riscv
https://github.com/riscv-software-src/homebrew-riscv
https://zhuanlan.zhihu.com/p/464386728

macOS安装Homebrew
https://zhuanlan.zhihu.com/p/607620531
https://zhuanlan.zhihu.com/p/111014448

写在结尾

真的总感觉自己基础不够牢固,也是听了搞计算机的前辈无数次跟我提基础的重要性,所以开始重新看CSAPP,并且尝试去听一些MIT、CMU的经典课程。

也算是正式开启了之前被很多学长学姐安利过的MIT的操作系统神课程,课程总共有10-11个lab,后面我会将每次的lab写成实验总结记录在CSDN中,也欢迎各位UU和我交流,让我们一起变得更强!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/156848.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

谷歌浏览器在新的浏览器窗口中打开所选的每条搜索结果在哪设置? 谷歌的搜索设置在哪设置??

1、进入谷歌搜索页面, 2、点击快捷设置,点击高级搜索 3、点击自定义搜索设置 4、点击其他设置 5、启用在新窗口中打开搜索结果

如何保护我们的网络安全

保护网络安全是至关重要的,尤其是在今天的数字化时代。以下是一些保护网络安全的基本步骤: 1、使用强密码:使用包含字母、数字和特殊字符的复杂密码。不要在多个网站上重复使用相同的密码。定期更改密码。 2、启用双因素认证 (2FA)&#xff…

数据分析基础:数据可视化+数据分析报告

数据分析是指通过对大量数据进行收集、整理、处理和分析,以发现其中的模式、趋势和关联,并从中提取有价值的信息和知识。 数据可视化和数据分析报告是数据分析过程中非常重要的两个环节,它们帮助将数据转化为易于理解和传达的形式&#xff0…

CRM系统:快速实现外勤出差人员远程访问企业提升工作效率!

🎬 鸽芷咕:个人主页 🔥 个人专栏:《速学数据结构》 《C语言进阶篇》 ⛺️生活的理想,就是为了理想的生活! 文章目录 快速实现外勤出差人员远程访问企业CRM系统前言1. 无需公网IP,高效低成本实现CRM系统远程访问1.1 下…

单片机外围电路设计常出现的问题

网友:单片机外围电路有哪些注意事项呀? 工程师:单片机外围电路设计需要注意的点有很多,今天我简单说几个吧 一、单片机上拉电阻的选择,复位电路中电阻R110k时RST是高电平,而当R150时RST为低电平&#xff0…

月老脱单交友盲盒小程序源码系统 带完整搭建教程

大家好啊,知道大家想要什么就给大家分享什么。今天要给大家分享的是月老脱单交友盲盒小程序源码系统,在当下可是十分火热,搭建起来也比较简单,一起来看看吧。 系统特色功能一览: 实现随机生成虚拟商品盒子&#xff0c…

并发、并行、同步、异步、阻塞、非阻塞

一、多核、多cpu (一)多核 Multicore 核是CPU最重要的部分。负责运算。核包括控制单元、运算单元、寄存器等单元。 多核就是指单个CPU中有多个核。 (二)多cpu Multiprocessor 多cpu就是一个系统拥有多个CPU。每个CPU可能有单个核…

AI:38-基于深度学习的抽烟行为检测

随着人工智能的迅猛发展,它在各个领域展现出了广泛的应用潜力。其中,基于深度学习的抽烟行为检测技术引起了人们的极大兴趣。这项技术利用计算机视觉和深度学习算法,能够自动检测和监测人们的抽烟行为,为烟草控制和公共卫生提供了新的手段。本文将深入探讨基于深度学习的抽…

SELECT COUNT(*)会不会导致全表扫描引起慢查询

SELECT COUNT(*)会不会导致全表扫描引起慢查询呢? SELECT COUNT(*) FROM SomeTable 网上有一种说法,针对无 where_clause 的 COUNT(*),MySQL 是有优化的,优化器会选择成本最小的辅助索引查询计数,其实反而性能最高&…

【C++】:内存管理

朋友们、伙计们,我们又见面了,本期来给大家解读一下有关Linux的基础知识点,如果看完之后对你有一定的启发,那么请留下你的三连,祝大家心想事成! C 语 言 专 栏:C语言:从入门到精通 数…

1.MySQL库的操作

个人主页:Lei宝啊 愿所有美好如期而遇 1.创建数据库: 语法:create database if not exists db_name charset字符集 collate校验规则 ; if not exists ,charset ,collate可以不加,直接create database 数…

关于如何进行ChatGPT模型微调的新手指南

微调是指在预训练的模型基础上,通过进一步的训练来调整模型以适应特定任务或领域。预训练的模型在大规模的文本数据上进行了广泛的学习,从中获得了一定的知识和语言理解能力。然而,由于预训练并不针对具体任务,因此需要微调来使模…

【TensorFlow2 之011】TF 如何使用数据增强提高模型性能?

一、说明 亮点:在这篇文章中,我们将展示数据增强技术作为提高模型性能的一种方式的好处。当我们没有足够的数据可供使用时,这种方法将非常有益。 教程概述: 无需数据增强的训练什么是数据增强?使用数据增强进行训练可视…

隐马尔可夫模型(一)Evaluation

前提 import torch import torch.nn.functional as F N 3 # 离散隐变量可以取到的值的个数 M 2 # 可观测变量个数 pi F.softmax(torch.randn((N,1),dtypetorch.float32),dim0) # 初始状态概率矩阵 A F.softmax(torch.randn((N,N),dtypetorch.float32),dim-1) # 转移…

Linux8yum安装mysql5.7版本流程

Linux8yum安装mysql Linux8yum安装报错解决 yum安装流程 首先下载mysql的yum配置 wget http://dev.mysql.com/get/mysql57-community-release-el7-11.noarch.rpm安装mysql源 yum -y install mysql57-community-release-el7-11.noarch.rpm安装mysql yum -y install mysql-s…

【目标检测】大图包括标签切分,并转换成txt格式

前言 遥感图像比较大,通常需要切分成小块再进行训练,之前写过一篇关于大图裁切和拼接的文章【目标检测】图像裁剪/标签可视化/图像拼接处理脚本,不过当时的工作流是先将大图切分成小图,再在小图上进行标注,于是就不考…

Elasticsearch:使用 Langchain 和 OpenAI 进行问答

这款交互式 jupyter notebook 使用 Langchain 将虚构的工作场所文档拆分为段落 (chunks),并使用 OpenAI 将这些段落转换为嵌入并将其存储到 Elasticsearch 中。然后,当我们提出问题时,我们从向量存储中检索相关段落,并使用 langch…

Google SGE 正在添加人工智能图像生成器,现已推出:从搜索中的生成式 AI 中获取灵感的新方法

🌷🍁 博主猫头虎 带您 Go to New World.✨🍁 🦄 博客首页——猫头虎的博客🎐 🐳《面试题大全专栏》 文章图文并茂🦕生动形象🦖简单易学!欢迎大家来踩踩~🌺 &a…

1688拍立淘接口,按图搜索1688商品接口,图片搜索商品接口,1688API接口

按图搜索1688商品的方法如下: 打开1688平台,点击首页右上角的搜索框,进入搜索页面。 点击搜索框右侧的相机图标,选择“拍照”或“相册”,上传你想要搜索的图片。 等待图片上传完成,系统会自动识别图片中的…

基于Effect的组件设计 | 京东云技术团队

Effect的概念起源 从输入输出的角度理解Effect https://link.excalidraw.com/p/readonly/KXAy7d2DlnkM8X1yps6L 编程中的Effect起源于函数式编程中纯函数的概念 纯函数是指在相同的输入下,总是产生相同的输出,并且没有任何副作用(side effect)的函数。…