博客
关于我
交叉编译iperf
阅读量:631 次
发布时间:2019-03-14

本文共 565 字,大约阅读时间需要 1 分钟。

在嵌入式设备与Linux虚拟机环境中测试丢包率之前,需要使用iperf3进行性能评估。本文将详细介绍iperf3源码包的获取与交叉编译过程,以及如何在设备上配置并运行测试。

iperf3源码包可从下列地址下载:

https://downloads.es.net/pub/iperf/iperf-3.1.6.tar.gz

对于君正平台的mips-linux-gnu环境,进行如下交叉编译配置:

./configure --host=mips-linux-gnu CXX=mips-linux-gnu-g++ CC=mips-linux-gnu-gcc --prefix=/home/xsw/third_source/iperf-3.1.6/iperf_bin

接下来执行编译命令:

make

编译完成后,iperf3可在以下路径找到:

/home/xsw/third_source/iperf-3.1.6/src/.libs/iperf3

在嵌入式设备上运行iperf3服务端,使用以下命令启动测试:

iperf3 -s -u -i 1

客户端测试可通过以下命令启动,以测试与服务端的连接:

iperf -u -c 192.168.13.163  -b 500K -i 1 -w 1M -t 60

完成所有配置后,可启动丢包率测试。

转载地址:http://lbklz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 使用 SAM 和 Grounding DINO 分割卫星图像
查看>>
OpenCV与AI深度学习 | 使用OpenCV图像修复技术去除眩光
查看>>
OpenCV与AI深度学习 | 使用OpenCV检测并计算直线角度
查看>>
OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
查看>>
OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>
OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>