Learning eBPF 项目教程
1. 项目目录结构及介绍
learning-ebpf 项目是一个用于学习 eBPF(Extended Berkeley Packet Filter)的示例代码集合。项目的目录结构如下:
learning-ebpf/
├── chapter1
├── chapter2
├── chapter3
├── chapter4
├── chapter5
├── chapter6
├── chapter7
├── chapter8
├── chapter9
├── chapter10
├── libbpf
├── .gitignore
├── .gitmodules
├── LICENSE
├── README.md
├── learning-ebpf-cover.png
└── learning-ebpf.yaml
目录介绍
-
chapter1 至 chapter10:每个目录对应书中的一个章节,包含该章节的示例代码。
- chapter1:介绍 eBPF 及其重要性。
- chapter2:eBPF 的“Hello World”示例,使用 BCC 框架。
- chapter3:eBPF 程序的剖析,包含 C 语言编写的 XDP 示例。
- chapter4:
bpf()系统调用的使用,更多 BCC 框架示例。 - chapter5:CO-RE、BTF 和 libbpf,libbpf 示例代码。
- chapter6:eBPF 验证器,通过修改代码触发验证器错误。
- chapter7:eBPF 程序和附件类型,不同 eBPF 程序类型的示例。
- chapter8:eBPF 用于网络,示例代码附着在网络栈的不同点。
- chapter9:eBPF 用于安全,即将推出。
- chapter10:eBPF 编程,探索各种 eBPF 库的示例。
-
libbpf:包含 libbpf 的子模块,用于构建 C 语言编写的 eBPF 示例。
-
.gitignore 和 .gitmodules:Git 配置文件。
-
LICENSE:项目许可证,采用 Apache-2.0 许可证。
-
README.md:项目的介绍和使用说明。
-
learning-ebpf-cover.png:项目封面图片。
-
learning-ebpf.yaml:Lima 配置文件,用于设置虚拟机环境。
2. 项目的启动文件介绍
项目的启动文件主要集中在各个章节的目录中,每个章节都包含相应的示例代码和启动脚本。以下是一些关键的启动文件:
2.1 章节启动文件
每个章节的目录中通常包含一个或多个启动文件,用于运行该章节的示例代码。例如:
- chapter2/hello_world.py:使用 BCC 框架的“Hello World”示例。
- chapter3/xdp_example.c:C 语言编写的 XDP 示例。
2.2 Lima 配置文件
learning-ebpf.yaml 是 Lima 虚拟机的配置文件,用于设置运行示例代码所需的环境。通过以下命令启动虚拟机:
limactl start learning-ebpf.yaml
limactl shell learning-ebpf
3. 项目的配置文件介绍
3.1 Lima 配置文件
learning-ebpf.yaml 是 Lima 虚拟机的配置文件,定义了虚拟机的操作系统、内核版本、所需软件包等信息。以下是配置文件的部分内容:
# learning-ebpf.yaml 部分内容
os: ubuntu
kernel: 5.15
packages:
- clang
- libbpf
- bpftool
3.2 libbpf 配置
libbpf/README.md 提供了 libbpf 的详细配置和使用说明。通过以下命令构建和安装 libbpf:
cd libbpf/src
make install
3.3 bpftool 配置
bpftool 是用于管理和调试 eBPF 程序的工具。可以通过以下命令构建和安装 bpftool:
git clone --recurse-submodules https://github.com/libbpf/bpftool.git
cd bpftool/src
make install
总结
learning-ebpf 项目通过详细的目录结构和示例代码,帮助用户学习和理解 eBPF 技术。通过 Lima 虚拟机配置文件和 libbpf、bpftool 的配置,用户可以轻松搭建运行环境并开始学习 eBPF 编程。
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