raw-gadget - USB Raw Gadget-Linux USB Gadget子系统的底层接口
原始小工具
注意：最有可能需要GadgetFS，而不是Raw Gadget。在这里看到差异。
USB Raw Gadget是Linux USB Gadget子系统的底层接口。它可以用于模拟具有特殊硬件的物理USB设备，也可以用于与Dummy HCD / UDC虚拟的硬件设备（对于正在运行的内核）。该存储库包含有关使用Raw Gadget的说明和示例。
Raw Gadget已在合并到Mainline Linux内核中
5.7。无需使用
5.7+内核，请参阅dummy_hcd和raw_gadget，以获取有关如何
insmod在较早的内核上构建以及相应模块的信息。这些模块应与最低至的内核版本兼容
4.14，请参见下表。
构建内核模块需要内核头文件。在桌面Ubuntu上，您可以通过安装安装它们
linux-headers-`uname -r`。在Raspberry Pi Zero上，请遵循以下说明。
USB设备控制器
USB Raw Gadget要求用户提供UDC设备和驱动程序名称，请参见示例。
UDC设备名称可以在以下位置找到
/sys/class/udc/：
$ ls /sys/class/udc/
dummy_udc.0UDC驱动程序名称通常存在于
/sys/class/udc/$UDC/uevent：
$ cat /sys/class/udc/dummy_udc.0/uevent
USB_UDC_NAME=dummy_udc下表中的“工作”表示UDC通过了所提供的测试，该测试仅涵盖部分功能，因此存在局限性。
| 硬件 | 核心 | 司机 | 设备 | 作品？ |
|---|---|---|---|---|
5.3.0-45-generic |
dummy_udc |
dummy_udc.0 |
是 | |
| 树莓派零 | 4.14.97+ |
20980000.usb |
20980000.usb（ dwc2） |
是 |
| BeagleBone黑色 | 4.19.94-ti-r42 |
musb-hdrc |
musb-hdrc.0 |
大概 |
| BeagleBone AI | 4.14.108-ti-r131 |
48890000.usb |
dwc3-gadget |
还没 |
| EC3380-AB | 5.3.0-45-generic |
net2280 |
0000:04:00.0（例如） |
不，net2280越野车 |
| Odroid C2 | 3.14.79-116 |
dwc_otg_pcd |
dwc2_a |
不，内核太旧 |
| 海基960 | ？ |
去做
要研究的其他潜在修复/改进：
- 集
ep->maxburst
，ep->mult
并ep->maxpacket
在小工具的驱动程序。 - OTG支持。
- 设置
ep->dev
上ep
分配。 - 千万不要错过
ep0_status
和ep_status
通过dev
，从得到req
代替。
热门github
1
2
4
The Python Risk Identification Tool for generative AI (PyRIT) is an open access automation framework to empower security professionals and machine learning engineers to proactively find risks in their generative AI systems.
(翻译：用于生成式 AI 的 Python 风险识别工具 (PyRIT) 是一个开放式访问自动化框架，使安全专业人员和机器学习工程师能够主动发现其生成式 AI 系统中的风险。)
5
7
8
9
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)
10
11
13