MicroPython SAMD端口多闪存设备支持的技术实现分析
2025-05-11 01:27:10作者:段琳惟
背景介绍
MicroPython的SAMD端口目前存在一个功能限制:无法同时访问MCU内部闪存和外部QSPI闪存。这一限制影响了某些特定应用场景的实现,特别是需要安全远程固件升级的系统。本文将深入分析这一技术问题的背景、现有实现方案以及可能的改进方向。
现有实现的问题
当前SAMD端口的闪存驱动实现存在两个主要限制:
-
单设备限制:modsamd.c模块只允许启用一种闪存类型(MCU闪存、SPI闪存或QSPI闪存),通过编译时宏定义选择。如果尝试启用多个,会导致编译错误。
-
功能局限:
- 闪存驱动仅暴露VFS协议方法,隐藏了原始块操作方法
- 不支持闪存分区概念,整个闪存设备被分配给VFS使用
- 与PyBoard的Flash设备不同,缺少start和len参数来定义独立区域
应用场景需求
典型的远程固件升级流程需要:
- 应用程序下载固件到文件系统
- 验证固件完整性
- 将新版本写入闪存独立区域
- 通过引导加载程序完成固件切换
这一流程需要:
- 同时访问文件系统区域和原始闪存区域
- 能够操作MCU闪存和外部闪存
- 确保在意外断电情况下的恢复能力
技术实现方案
方案一:多闪存设备支持
通过修改modsamd.c,允许同时启用多种闪存类型,并为每种类型提供独立的类名:
- samd.MCUFlash
- samd.SPIFlash
- samd.QSPIFlash
同时保留samd.Flash作为向后兼容的接口,通过配置宏指定默认使用的闪存类型。
方案二:闪存分区支持
修改闪存驱动程序(samd_flash.c等),增加以下功能:
- 支持start和len参数定义闪存区域
- 添加vfs_start和vfs_size字段管理文件系统区域
- 修改块操作方法,考虑分区偏移量
- 防止分区参数被重复修改
方案三:原始块访问扩展
在保持现有VFS接口的同时,提供原始闪存块访问能力:
- 通过未检查参数的块操作方法访问非文件系统区域
- 允许负块号访问文件系统之前的区域
- 需要应用程序自行管理访问边界
实现细节分析
闪存驱动修改
闪存驱动需要增加以下关键修改:
- 在make_new函数中添加start和len参数处理
- 初始化vfs_start和vfs_size字段
- 修改readblocks/writeblocks方法,增加分区偏移
- 调整ioctl调用,反映分区大小
链接脚本调整
需要修改链接脚本,确保:
- MCUFlash可以访问适当的闪存区域
- 不覆盖引导加载程序和运行中的应用程序
- 保留足够的空间用于固件更新
安全考虑
当前实现存在一些安全隐患:
- 块操作方法缺乏参数检查
- 无法自动发现文件系统区域
- 应用程序需要自行确保不破坏文件系统
- 多次实例化可能导致配置不一致
未来改进方向
- 正式支持闪存分区功能
- 提供安全的原始块访问API
- 增加闪存区域管理工具
- 完善参数检查和边界保护
结论
MicroPython SAMD端口的多闪存支持功能对于高级应用场景至关重要。通过合理的驱动修改和接口扩展,可以实现同时访问多种闪存设备的能力,为远程固件升级等复杂功能提供基础支持。开发者可以根据具体需求选择适合的实现方案,并注意相关的安全边界问题。
登录后查看全文
热门项目推荐
相关项目推荐
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 StartedRust0191
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 Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
765
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
879
deepin linux kernel
C
32
16
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
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 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 Notebook
303
118
昇腾LLM分布式训练框架
Python
178
220