libusb设备打开失败问题分析与解决
问题背景
在使用libusb库进行USB设备开发时,开发者可能会遇到一个常见问题:通过libusb_open函数打开设备时返回LIBUSB_ERROR_NO_DEVICE错误,而使用libusb_open_device_with_vid_pid却能正常打开设备。这种情况通常发生在Windows 10系统下,针对自定义的WinUSB设备。
问题现象分析
从开发者提供的代码片段可以看出,问题的核心在于设备列表的管理方式。开发者首先通过libusb_get_device_list获取所有USB设备列表,然后遍历查找特定VID/PID的设备,找到目标设备后保存其引用,最后调用libusb_free_device_list释放设备列表。
根本原因
问题的根本原因在于对libusb设备引用计数的理解不足。当调用libusb_free_device_list时,它会释放设备列表中所有设备的引用计数。如果开发者没有增加目标设备的引用计数(通过libusb_ref_device),那么在释放列表后,目标设备的引用计数会变为0,导致设备被释放。此时再尝试通过libusb_open打开这个已被释放的设备,自然会返回LIBUSB_ERROR_NO_DEVICE错误。
解决方案
解决这个问题有以下几种方法:
-
增加设备引用计数:在保存目标设备指针前,调用
libusb_ref_device增加其引用计数,这样即使释放设备列表,目标设备也不会被真正释放。 -
延迟释放设备列表:在完成所有设备操作前,不要释放设备列表,这样可以确保设备指针有效。
-
使用
libusb_open_device_with_vid_pid:这个函数内部会处理设备引用计数的问题,因此能够正常工作。
最佳实践建议
-
理解引用计数机制:libusb使用引用计数管理设备对象,任何保存设备指针的操作都应考虑引用计数。
-
错误处理:在使用libusb函数时,应始终检查返回值,并正确处理错误情况。
-
资源管理:确保在适当的时候释放资源,避免内存泄漏或无效指针访问。
-
版本更新:虽然问题与版本无关,但保持使用最新稳定版本的libusb(当前为1.0.27)可以获得更好的兼容性和性能。
代码修正示例
以下是修正后的代码片段,展示了如何正确处理设备引用计数:
int main() {
libusb_device *usb_dev = NULL;
libusb_device_handle *dev_handle = NULL;
libusb_context *ctx = NULL;
// 初始化libusb
libusb_init(&ctx);
libusb_set_option(ctx, LIBUSB_OPTION_USE_USBDK);
// 获取设备列表
libusb_device **device_list;
int num_devices = libusb_get_device_list(NULL, &device_list);
// 查找目标设备
for (int i = 0; i < num_devices; i++) {
libusb_device *dev = device_list[i];
libusb_device_descriptor dev_desc;
libusb_get_device_descriptor(dev, &dev_desc);
if(dev_desc.idVendor == DM_USBD_VID && dev_desc.idProduct == DM_USBD_PID) {
usb_dev = libusb_ref_device(dev); // 增加引用计数
break;
}
}
// 释放设备列表
libusb_free_device_list(device_list, 1);
if(usb_dev == NULL) {
libusb_exit(ctx);
return -1;
}
// 打开设备
int e = libusb_open(usb_dev, &dev_handle);
if(e < 0) {
printf("打开失败: %s\n", libusb_strerror(e));
libusb_unref_device(usb_dev); // 释放设备引用
libusb_exit(ctx);
return -1;
}
printf("设备打开成功\n");
// 清理资源
libusb_close(dev_handle);
libusb_unref_device(usb_dev);
libusb_exit(ctx);
return 0;
}
通过理解libusb的设备管理机制和正确使用引用计数,可以避免这类设备打开失败的问题,确保USB设备通信的稳定性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00