VMware Host Modules项目:解决VMware Workstation 17.5在Linux内核6.8.0下的编译问题
在Linux系统上使用VMware Workstation时,经常会遇到内核模块编译失败的问题。特别是在升级到较新版本的Linux内核后,原有的VMware内核模块可能无法正常编译安装。本文将详细介绍如何利用vmware-host-modules项目解决VMware Workstation 17.5在Linux内核6.8.0环境下的模块编译问题。
问题背景
当用户在Linux内核6.8.0-40-generic环境下尝试运行VMware Workstation 17.5时,系统会尝试编译并加载两个关键的内核模块:vmmon和vmnet。从错误日志中可以看到,编译过程主要遇到了以下几类问题:
- 内核头文件路径验证问题
- GCC编译器版本不匹配警告
- 函数原型缺失警告
- 隐式函数声明错误
- objtool相关错误
其中最关键的错误出现在vmx86.c文件中,提示random_get_entropy_fallback函数隐式声明,这直接导致了编译过程中断。
解决方案
vmware-host-modules项目提供了针对不同VMware版本的修补后的内核模块源代码。对于VMware Workstation 17.5.1版本,可以按照以下步骤解决问题:
- 首先获取项目源代码:
git clone https://github.com/mkubecek/vmware-host-modules.git -b workstation-17.5.1
- 进入项目目录并创建模块压缩包:
cd vmware-host-modules-workstation-17.5.1
tar -cf vmmon.tar vmmon-only
tar -cf vmnet.tar vmnet-only
- 将生成的压缩包复制到VMware模块源目录:
sudo cp -v vmmon.tar vmnet.tar /usr/lib/vmware/modules/source/
- 最后重新配置并安装所有VMware模块:
sudo vmware-modconfig --console --install-all
技术原理
这个解决方案的核心在于使用经过社区修补的模块源代码替换VMware自带的原始代码。vmware-host-modules项目维护者已经针对新内核中的API变化做了相应调整,特别是:
- 修复了
random_get_entropy_fallback相关的问题 - 添加了缺失的函数原型声明
- 调整了与objtool的兼容性
- 确保与GCC 12编译器的兼容性
这种方法相比直接修改系统配置或降级内核版本更为优雅,因为它保持了系统的完整性,同时解决了兼容性问题。
注意事项
-
确保系统中已安装必要的内核头文件和构建工具:
sudo apt install build-essential linux-headers-$(uname -r) -
操作前建议备份原有的模块文件:
sudo cp /usr/lib/vmware/modules/source/vmmon.tar /usr/lib/vmware/modules/source/vmmon.tar.bak sudo cp /usr/lib/vmware/modules/source/vmnet.tar /usr/lib/vmware/modules/source/vmnet.tar.bak -
如果遇到其他问题,可以检查VMware的日志文件获取更多信息:
cat /tmp/vmware-$(whoami)/vmware-modconfig-*.log
通过这种方法,用户可以顺利地在较新版本的Linux内核上运行VMware Workstation,而无需降级内核或等待官方更新。这体现了开源社区在解决软件兼容性问题上的灵活性和高效性。
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
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
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-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
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