FEX - 用户模式下x86和x86-64的快速模拟器
2026-01-17 08:22:12作者:冯爽妲Honey
项目介绍
FEX (Fast EXecution) 是一款专门设计用于ARM64架构Linux上的x86和x86-64应用程序的用户级模拟器。它借鉴了qemu-user和box86的理念,但添加了更强大的特性如根文件系统(RootFS)叠加以及一些转换库以支持图形指令转发到主机硬件。FEX呈现给客户端一个基于Linux 5.0或更高版本的操作环境,并且仅支持AArch64作为宿主平台。
该项目正处于积极开发阶段,因此可能会经常遇到变更和改进。FEX的目标是提供比现有解决方案更快、更稳定、功能更丰富的体验。
项目快速启动
在Ubuntu 20.04、21.04、21.10、22.04上安装FEX
为了快速开始并安装FEX,可以执行以下命令:
curl --silent https://raw.githubusercontent.com/FEX-Emu/FEX/main/Scripts/InstallFEX.py --output /tmp/InstallFEX.py &&
python3 /tmp/InstallFEX.py
上述脚本将会引导您通过PPA安装FEX,并下载一个根文件系统(RootFS),以便能够在FEX中运行应用程序。
对于其他Linux发行版或者自定义构建需求,请参考FEX Emu Wiki获取详细的构建指导。
创建根文件系统(RootFS)
对于在AArch64平台上运行的应用程序,您必须创建一个x86-64的根文件系统。您可以遵循FEX Emu Wiki中的指南来完成这一过程。
应用案例和最佳实践
FEX能够让您无缝地在ARM架构设备上运行原本为x86编译的软件。这对于那些希望在平板电脑、单板计算机或其他非x86硬件上使用桌面应用程序的用户非常有用。
使用案例示例:
- 游戏: 利用FEX可以在没有x86处理器的设备上运行需要Intel或AMD兼容CPU的游戏。
- 专业软件: 对于那些依赖特定于x86架构的专业应用,例如CAD/CAM软件或某些编程IDE,在没有物理x86 CPU的情况下也能运行。
最佳实践:
- 性能优化: 使用多线程和加速器提升仿真速度。
- 兼容性检查: 定期检查您的软件是否能在最新的FEX版本上正常工作。
- 社区反馈: 若发现任何错误或兼容性问题,及时向FEX社区报告,参与调试。
典型生态项目
FEX生态系统由一系列辅助工具和服务组成,包括但不限于:
- FEX-Tools: 提供了一系列实用程序,如编译优化、调试接口等。
- 图形驱动层: 支持从x86应用程序发送图形渲染命令到ARM设备的GPU。
- 外围设备仿真: 兼容标准x86输入输出设备模型,使得键盘、鼠标和其他外设可以在仿真环境中正常使用。
- 社区资源库: 一个收集和分享预配置好的RootFS和已知可运行的x86应用程序列表的共享仓库。
综上所述,FEX不仅是一款高性能的模拟器,还代表了一个致力于推动ARM架构设备功能扩展和软件兼容性的开发者社区。
以上就是关于FEX的简介、如何快速入门以及几个关键应用场景的概述。FEX正不断进化,成为连接不同计算架构之间的桥梁,尤其对那些既想要移动便利又不想牺牲桌面级应用能力的用户来说是个福音。希望这篇文档能帮助您顺利上手并充分利用FEX的能力。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
478
3.57 K
React Native鸿蒙化仓库
JavaScript
289
340
Ascend Extension for PyTorch
Python
290
321
暂无简介
Dart
730
175
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
10
1
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
245
105
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
850
450
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
20
仓颉编程语言运行时与标准库。
Cangjie
149
885