OpenWRT在GL-MT6000路由器上的WED功能稳定性问题分析
2025-05-09 21:30:38作者:滕妙奇
问题背景
近期在OpenWRT 24.10稳定版中发现,GL.iNet GL-MT6000路由器在使用过程中会出现内核崩溃(Kernel Panic)并自动重启的问题。该问题表现为随机性崩溃,频率约为每天1-2次,严重影响了设备的稳定性。
崩溃现象分析
从内核日志中可以观察到以下关键信息:
- 内存访问异常:内核报告"Unable to handle kernel paging request",表明发生了内存页访问错误
- 错误类型:级别0的转换错误(level 0 translation fault)
- 相关模块:崩溃时涉及的主要模块包括mt7915e(无线驱动)、nf_conntrack(连接跟踪)等
典型的崩溃日志显示错误地址为"0004020801394359",并且错误发生在不同的内核进程中,包括zabbix_agentd、napi/phy0-7和kworker/u8:0等。
根本原因定位
经过深入分析和测试,发现问题与WED(Wireless Ethernet Dispatcher)功能有关。WED是MediaTek芯片中的一个特性,旨在提高无线网络性能,但在GL-MT6000设备上可能导致稳定性问题。
测试结果表明:
- 启用WED时,设备会出现随机崩溃
- 禁用WED后,设备运行稳定(测试记录显示最长连续运行时间达8天21小时)
解决方案
针对此问题,建议采取以下解决方案:
-
临时解决方案:在OpenWRT中禁用WED功能
- 通过系统配置关闭WED相关选项
- 此方法可立即解决稳定性问题
-
长期解决方案:
- 升级到OpenWRT 24.10.1或更高版本,其中包含了相关修复
- 关注官方更新,获取针对WED功能的稳定性改进
技术建议
对于使用GL-MT6000路由器的用户,建议:
- 检查当前OpenWRT版本,确保使用24.10.1或更新版本
- 如果必须使用24.10.0版本,应主动禁用WED功能
- 定期检查系统日志,监控设备稳定性
- 考虑硬件批次因素,部分批次可能存在硬件兼容性问题
总结
OpenWRT 24.10在GL-MT6000设备上的WED功能实现存在稳定性缺陷,会导致内核级崩溃。通过禁用此功能或升级系统版本可有效解决问题。这提醒我们在使用新硬件功能时需要充分测试,平衡性能与稳定性的关系。对于普通用户,建议优先选择经过充分测试的稳定版本和配置。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
656
4.26 K
deepin linux kernel
C
27
14
Ascend Extension for PyTorch
Python
500
606
openEuler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。
C
390
284
🎉 (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
1.54 K
891
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++
939
861
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
1.07 K
557
暂无简介
Dart
902
218
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
132
207
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
123
195