Network UPS Tools (NUT) 2.8.3版本中dummy-ups驱动编译问题解析
在Network UPS Tools (NUT) 2.8.3版本的编译过程中,用户报告了一个关于dummy-ups驱动无法编译的问题。这个问题主要出现在用户尝试从源代码编译NUT时,特别是在指定特定驱动列表的情况下。
问题现象
当用户尝试使用自定义驱动列表进行编译时,配置脚本会报错,提示"Requested driver 'dummy-ups' is not defined in drivers/Makefile.am"。这个错误表明配置脚本无法在驱动列表中找到dummy-ups驱动的定义。
问题根源
经过分析,这个问题源于NUT 2.8.3版本中驱动列表处理的一个小缺陷。在配置脚本处理软件驱动列表(NUTSW_DRIVERLIST)时,变量替换出现了问题,导致"(NUTSW_DRIVERLIST_DUMMY_UPS)"这样的未处理变量直接出现在驱动列表中,而不是被正确替换为dummy-ups驱动的名称。
解决方案
对于遇到此问题的用户,有以下几种解决方法:
-
使用自动检测模式:推荐使用
--with-all=auto参数代替显式指定驱动列表。这种方式会自动检测系统可用的所有驱动,包括dummy-ups这个纯软件驱动。 -
等待官方修复:开发团队已经注意到这个问题,并正在进行修复。用户可以关注后续的版本更新。
-
临时修改配置:对于有经验的用户,可以临时修改Makefile.am文件,手动添加dummy-ups驱动的定义。
技术建议
对于需要编译特定驱动集的用户,建议考虑以下几点:
- 显式指定驱动列表的方式虽然精确,但容易受到驱动名称变更或新增驱动的影响
- 自动检测模式(
--with-all=auto)更加灵活,能够自动适应不同系统环境 - 在构建容器镜像等场景下,确保所有必要的依赖库都已安装,以便自动检测能够找到尽可能多的驱动
总结
这个编译问题虽然看起来是配置脚本的一个小缺陷,但它提醒我们在使用开源软件时需要注意版本兼容性和构建选项的选择。对于大多数用户来说,采用自动检测模式是更为稳健的选择,特别是当需要支持多种UPS设备时。
随着NUT项目的持续发展,这类构建系统的小问题会得到及时修复,为用户提供更加顺畅的安装体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00