OP-TEE/optee_os项目中ATF启动日志输出问题解析
背景介绍
在嵌入式系统开发过程中,ARM Trusted Firmware(ATF)作为安全启动的关键组件,其日志输出对于系统调试至关重要。本文将针对ROCK PI 4B开发板上ATF日志输出问题进行分析和解决方案分享。
问题现象
开发者在ROCK PI 4B开发板上按照文档正常刷入OP-TEE系统后,发现ATF在启动阶段没有日志输出。虽然操作系统和TEE的输出都正常,但在进入U-Boot之前,ATF完全没有控制台输出。
初步排查
开发者已经设置了正确的编译选项:
ARCH=aarch64 PLAT=rk3399 SPD=opteed DEBUG=1 LOG_LEVEL=40
这些选项理论上应该启用调试日志输出,但实际效果并不理想。
解决方案
1. 调整UART波特率
通过修改trusted-firmware-a/plat/rockchip/rk3399/rk3399_def.h文件中的RK3399_UART_CLOCK参数,将默认的115200改为1500000,可以解决ATF启动初期的日志输出问题。
2. 运行时日志输出问题
虽然调整波特率解决了启动初期的日志输出,但开发者发现在运行时(如arm_arch_svc_smc_handler函数中)添加的NOTICE()日志仍然无法输出。这主要是因为:
- 默认情况下,ATF的日志控制台标志设置为
CONSOLE_FLAG_BOOT,仅允许在启动阶段输出日志 - 当系统进入运行时阶段后,正常世界(Normal World)可能重新配置了UART控制器,导致日志输出失效
3. 启用运行时日志
要解决运行时日志输出问题,需要修改trusted-firmware-a/drivers/console/multi_console.c文件,将CONSOLE_FLAG_BOOT标志替换为CONSOLE_FLAG_RUNTIME。这样配置后,ATF在系统运行期间也能保持日志输出能力。
技术原理
ARM Trusted Firmware的日志系统设计考虑到了安全性和性能因素,因此默认情况下会限制日志输出:
- 启动阶段日志(
CONSOLE_FLAG_BOOT):仅在安全世界初始化阶段有效 - 运行时日志(
CONSOLE_FLAG_RUNTIME):需要在代码中显式启用
这种设计可以防止潜在的信息泄露,并减少系统运行时的性能开销。但在调试阶段,开发者往往需要完整的日志信息来定位问题。
注意事项
- 启用完整日志输出可能会影响系统性能
- 生产环境中建议关闭调试日志以减少安全风险
- 不同版本的TF-A可能有不同的日志配置方式,需要参考对应版本的文档
总结
通过本文的分析,我们了解到在OP-TEE项目中调试ATF日志输出需要从波特率设置和日志标志两方面入手。这些技巧不仅适用于ROCK PI 4B开发板,对于其他基于ARM架构的开发平台也有参考价值。
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。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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