Pwnagotchi项目中main.whitelist配置项的注意事项
2025-07-10 09:59:26作者:董宙帆
在Pwnagotchi 2.7.3版本中,用户可能会遇到一个关于配置文件config.toml中main.whitelist配置项的问题。这个问题会导致Pwnagotchi服务无法正常启动,表现为服务不断尝试自动重启但始终失败。
问题现象
当用户在/etc/pwnagotchi/config.toml配置文件中添加main.whitelist配置项时,例如:
main.whitelist = [
"myNetwork"
]
Pwnagotchi服务会立即停止工作,系统日志显示服务处于"activating (auto-restart)"状态,且主进程以失败状态退出。
问题原因
通过运行sudo pwnagotchi --debug命令进行调试,可以获取更详细的错误信息。错误输出显示:
ERROR:root:There was an error processing the configuration file:
Duplicate keys! (line 121 column 1 char 4281)
这表明配置文件中存在重复的main.whitelist键值。这种情况通常发生在用户添加新的main.whitelist配置项时,而配置文件中已经存在一个相同名称的配置项(可能是默认配置或之前添加的)。
解决方案
要解决这个问题,需要:
- 检查
config.toml文件,查找所有main.whitelist相关的配置项 - 确保文件中只存在一个
main.whitelist配置项 - 删除重复的配置项
- 保存文件后重启Pwnagotchi服务
最佳实践
为了避免这类配置问题,建议:
- 在修改配置文件前,先备份原始文件
- 使用文本编辑器的搜索功能检查是否存在重复配置项
- 修改配置后,先使用
sudo pwnagotchi --debug命令测试配置是否有效 - 对于网络白名单这类配置,可以考虑使用数组格式一次性列出所有需要白名单的网络
main.whitelist = [
"Network1",
"Network2",
"Network3"
]
总结
Pwnagotchi作为一款基于深度强化学习的WiFi安全工具,其配置文件需要遵循严格的格式要求。用户在修改配置时应当注意避免键值重复的问题,特别是像main.whitelist这样的常用配置项。通过仔细检查配置文件和利用调试命令,可以快速定位并解决这类问题,确保Pwnagotchi服务正常运行。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
暂无简介
Dart
615
138
Ascend Extension for PyTorch
Python
165
184
React Native鸿蒙化仓库
JavaScript
240
314
仓颉编译器源码及 cjdb 调试工具。
C++
126
854
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
369
3.16 K
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
257
91
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
475
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
9
1
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++
646
255