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。
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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00