LittleFS文件系统在STM32上创建目录失败问题分析与解决
2025-06-07 09:01:45作者:庞眉杨Will
问题背景
在使用LittleFS文件系统时,开发者在STM32平台上遇到了一个奇怪的问题:在成功格式化和挂载文件系统后,尝试创建新目录时lfs_mkdir()函数返回LFS_ERR_NOSPC错误,提示空间不足。然而实际上文件系统中有足够的空闲块可用。
问题现象分析
通过调试发现,当调用lfs_mkdir()时,lookahead_buffer中的值全部为0xff,这表明文件系统认为所有块都已被占用。这与格式化后预期的状态不符,因为正常情况下格式化后应该有大量空闲块。
深入排查
进一步检查发现,问题可能与缓冲区配置有关。开发者的配置如下:
uint8_t read_buffer[1024];
uint8_t prog_buffer[1024];
uint8_t lookahead_buffer[1024];
const struct lfs_config lfs_cfg = {
.read_size = 256,
.prog_size = 256,
.block_size = 4096,
.block_count = 16,
.cache_size = 4096,
.lookahead_size = 1024,
.block_cycles = 100,
.read_buffer = read_buffer,
.prog_buffer = prog_buffer,
.lookahead_buffer = lookahead_buffer,
};
这里存在一个关键问题:cache_size设置为4096字节,但read_buffer和prog_buffer只有1024字节。这种不匹配会导致缓冲区溢出,特别是当LittleFS尝试读取或编程超过1024字节的数据时,会覆盖相邻的内存区域。
问题根源
在LittleFS的实现中,cache_size指定了缓存的最大容量,而read_size和prog_size指定了最小读写单元。当cache_size大于实际提供的缓冲区大小时,会导致内存越界访问。在本案例中,这种越界访问可能破坏了lookahead_buffer的内容,导致文件系统错误地认为所有块都已被占用。
解决方案
解决这个问题的方法很简单:确保所有缓冲区的大小与配置参数匹配。具体来说:
- 将
read_buffer和prog_buffer的大小调整为与cache_size相同(4096字节) - 保持其他配置参数不变
修改后的缓冲区声明应为:
uint8_t read_buffer[4096];
uint8_t prog_buffer[4096];
uint8_t lookahead_buffer[1024];
额外优化建议
lookahead_buffer的大小可以优化为block_count/8字节(本例中为2字节),因为每个块只需要1位来表示其使用状态- 对于静态内存分配,可以考虑定义
LFS_NO_MALLOC并显式提供所有需要的缓冲区,或者修改内存分配函数来返回静态缓冲区
经验总结
- 在使用LittleFS时,必须仔细检查所有缓冲区的大小是否与配置参数匹配
cache_size应该等于提供的read_buffer和prog_buffer的大小- 内存越界问题可能导致文件系统出现看似不相关的错误行为
- 调试时可以检查
lookahead_buffer的内容,这有助于诊断空间分配问题
通过这次问题的解决,我们不仅修复了一个具体的错误,更重要的是加深了对LittleFS内存管理机制的理解,这对今后在资源受限的嵌入式系统中使用文件系统具有重要的参考价值。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
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
492