【亲测免费】 推荐项目:Gunyah Hypervisor - 高性能、可扩展的实时虚拟化解决方案
Gunyah Hypervisor 是由澳大利亚悉尼的高通公司开发的一款高性能、可扩展且灵活的Type-1(裸机)超虚拟器。该超虚拟器专为电池供电的、实时性要求高的、安全性及安全相关的用途设计,特别是在对性能和安全性有极高需求的场景中表现出色。
1. 项目介绍
Gunyah Hypervisor 提供了一种参考配置,可用于创建多个信任和依赖的虚拟机(VM)。作为一个Type-1超虚拟器,它独立于任何高级操作系统内核运行,并在比VM更高的CPU特权级别上操作,确保了更好的安全性和更小的可信计算基数。
顾名思义,“Gunyah”是源自澳大利亚原住民的语言。这个项目的设计理念类似于传统的微内核,仅提供一组核心服务给其客户端,并将非关键服务委托给低权限(或低优先级)进程,只要这不会对性能或安全性产生负面影响。
2. 技术分析
利用CPU的虚拟化模式和特性,Gunyah能够隔离自身与VM中的操作系统内核,以及隔离不同VM之间的相互作用。在ARM架构上,这包括捕获和模拟寄存器、虚拟化核心平台设备、ARM的GIC虚拟化支持,以及通过CPU的Stage-2 MMU来提供隔离的EL1/0 VM。
3. 应用场景
- 强大安全:移动支付、安全用户界面等安全敏感应用都要求强大的安全保障。Gunyah设计用于提供强隔离保证,其小型体积便于审计。
- 高效性能:对于移动设备而言,性能至关重要。电池驱动的设备需要最小化的软件开销以实现每瓦最佳性能。Gunyah旨在具有高效率,对高层操作系统的影响降到最低。
- 模块化设计:超虚拟器采用模块化设计,允许定制和增强,通过替换模块实现和添加新功能模块。
4. 项目特点
- 线程与调度:调度器负责在物理CPU上调度虚拟CPU,并实现时间共享。
- 内存管理:跟踪所有受控内存的所有权和使用情况,内存分区是VM之间安全的基础。
- 中断虚拟化:所有的中断都在超虚拟器中处理并路由到指定的VM。
- VM间通信:提供了多种VM间通信机制。
- 设备虚拟化:支持设备的para-virtualization,使用VM间通信,对于一些底层系统特性和设备,如中断控制器,通过仿真支持。
平台支持
Gunyah被设计为支持多种CPU架构,确保架构无关性和可移植性。当前已支持ARM64(ARMv8+)架构,使用AArch64 EL2的VHE模式。此外,已有一个初步的QEMU Arm系统模拟器支持。
开始使用
要了解更多术语、设置、构建指南、状态更新和变更日志,请访问项目文档。还有相应的工具和脚本仓库,以便快速开始你的设置之旅。
贡献
感谢你对Gunyah的兴趣!请阅读贡献页面以了解如何提交特性或修复错误。这个项目期待成为开放的、社区支持的项目。
团队
Gunyah由高通公司开发,并致力于成为一个开源、社区驱动的项目。查看AUTHORS文件了解主要贡献者。
许可证
Gunyah遵循BSD 3-clause "New" 或 "Revised" 许可证。详细信息请参阅LICENSE文件。
探索Gunyah Hypervisor,解锁高性能、安全可靠的虚拟化新境界!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07