VMware Host Modules 在 Fedora 40 内核 6.9.7 下的编译与安装指南
问题背景
在 Fedora 40 系统升级到内核版本 6.9.7 后,许多用户发现 VMware Workstation 17.5.2 无法正常运行。这是由于内核 API 变更导致 VMware 的内核模块无法编译通过。本文将详细介绍如何解决这一问题。
环境准备
在开始之前,请确保您的系统满足以下条件:
- 操作系统:Fedora Linux 40 (KDE Plasma) x86_64
- 内核版本:6.9.7-200.fc40.x86_64
- VMware Workstation 版本:17.5.2
解决方案步骤
1. 获取补丁代码
首先需要获取针对新内核修改过的 VMware 主机模块代码:
TMP_FOLDER=/tmp/patch-vmware
rm -fdr $TMP_FOLDER
mkdir -p $TMP_FOLDER
cd $TMP_FOLDER
git clone -b tmp/workstation-17.5.2-k6.9.1 https://github.com/nan0desu/vmware-host-modules.git
cd vmware-host-modules/
2. 编译并安装模块
执行以下命令编译并安装修改后的模块:
make
sudo make install
3. 修复库链接问题
VMware 需要特定版本的 libz 库,我们需要创建符号链接:
sudo rm /usr/lib/vmware/lib/libz.so.1/libz.so.1
sudo ln -s /lib/x86_64-linux-gnu/libz.so.1 /usr/lib/vmware/lib/libz.so.1/libz.so.1
4. 模块签名(可选但推荐)
对于启用了安全启动的系统,需要对模块进行签名:
sudo mkdir -p /misc/sign-vmware-modules
sudo chmod 777 /misc/sign-vmware-modules
cd /misc/sign-vmware-modules
openssl req -new -x509 -newkey rsa:2048 -keyout MOK.priv -outform DER -out MOK.der -nodes -days 36500 -subj "/CN=MSI/"
chmod 600 MOK.priv
sudo mokutil --import MOK.der
创建签名脚本 /misc/sign-vmware-modules/signingscript:
#!/bin/bash
for modfile in $(modinfo -n vmmon vmnet); do
echo "Signing $modfile"
/usr/src/kernels/$(uname -r)/scripts/sign-file sha256 \
/misc/sign-vmware-modules/MOK.priv \
/misc/sign-vmware-modules/MOK.der "$modfile"
done
然后执行签名:
sudo /misc/sign-vmware-modules/signingscript
技术原理
这个解决方案的核心在于使用了社区开发者针对新内核修改过的 VMware 主机模块代码。主要解决了以下问题:
-
内核API变更:新内核中移除了
dev_base_lock等旧API,修改后的代码适配了新的内核接口。 -
模块签名:现代Linux系统特别是启用了安全启动的系统要求所有内核模块必须经过签名才能加载。
-
库依赖:VMware 对特定版本的库有硬编码路径要求,通过符号链接可以解决兼容性问题。
注意事项
-
每次内核升级后,都需要重新编译并安装这些模块。
-
签名步骤只需要在首次安装时执行一次,除非密钥发生了变化。
-
如果系统启用了安全启动,需要在 BIOS 中注册生成的 MOK 密钥。
-
建议在操作前备份重要数据,以防意外情况发生。
验证安装
安装完成后,可以通过以下命令验证模块是否加载成功:
lsmod | grep vm
systemctl status vmware
如果一切正常,应该能看到 vmmon 和 vmnet 模块已加载,且 VMware 服务处于运行状态。
总结
通过本文介绍的方法,用户可以在 Fedora 40 系统上成功运行 VMware Workstation 17.5.2。这种方法不仅解决了当前版本的问题,也为未来类似的内核兼容性问题提供了解决思路。随着 Linux 内核的持续演进,类似的兼容性问题可能会再次出现,掌握这种自行编译和修复模块的方法对 Linux 用户来说是非常有价值的技能。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00