Box64项目:在树莓派4上运行Tibia游戏的问题分析与解决
背景介绍
Box64是一个强大的x86_64模拟器,专门为ARM64架构设备设计,可以让用户在ARM设备上运行x86_64架构的Linux应用程序。最近有用户在树莓派4(Raspberry Pi 4)上尝试使用Box64运行著名的MMORPG游戏Tibia时遇到了一些技术问题。
问题现象
用户在树莓派4上运行Tibia游戏时,遇到了两个主要错误:
-
DBus连接错误:系统报告无法找到
dbus_connection_close符号,错误信息显示为"PltResolver: Symbol dbus_connection_close not found"。 -
段错误(Segmentation Fault):在尝试加载游戏配置时,程序崩溃并显示"Segmentation fault"错误,特别是在调用libcrypto.so.1.1中的EVP_CIPHER_CTX_ctrl函数时。
技术分析
DBus连接问题
DBus是Linux系统中用于进程间通信的重要组件。当Box64尝试模拟x86_64应用程序时,需要正确处理与DBus的交互。错误表明模拟器无法正确解析DBus库中的某些符号,这可能是由于:
- 系统DBus库版本与应用程序期望的版本不匹配
- Box64的符号解析机制在处理某些特定函数时存在问题
- 环境变量设置不正确,特别是XDG_RUNTIME_DIR未设置
加密库段错误
第二个错误涉及加密操作,具体发生在OpenSSL的加密上下文控制函数中。这种类型的段错误通常表明:
- 内存访问越界
- 指针使用不当
- 库版本不兼容
- 模拟器在处理某些特定指令序列时存在问题
解决方案
经过测试,用户发现将Box64从0.3.1版本降级到0.2.8版本可以解决这些问题。这表明:
-
版本兼容性:较新的Box64版本可能在处理某些库函数或系统调用时引入了回归问题。
-
稳定性考量:对于特定应用程序,较旧的稳定版本可能提供更好的兼容性。
最佳实践建议
对于希望在ARM设备上运行x86_64应用程序的用户,建议:
-
版本选择:不要盲目使用最新版本,应根据应用程序需求选择合适的Box64版本。
-
环境配置:确保所有必要的环境变量正确设置,特别是XDG_RUNTIME_DIR等与图形界面相关的变量。
-
库依赖:注意应用程序依赖的库版本,必要时可以提供特定版本的库文件。
-
错误诊断:遇到问题时,仔细分析错误日志,关注符号解析和内存访问相关错误。
结论
在ARM设备上通过模拟运行x86_64应用程序是一项复杂的工作,Box64项目为此提供了强大的支持。通过理解常见问题的根源和解决方法,用户可以更顺利地在树莓派等ARM设备上运行各种x86_64应用程序,包括像Tibia这样的游戏。当遇到问题时,版本回退往往是一个有效的临时解决方案,同时也应该关注项目的更新,以获取长期稳定的支持。
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