For å kjøre intense beregningsoppgaver raskere og mer effektivt, vil vi dra nytte av teknologi TIL DEG og dets komponenter, la oss se hvordan vi gjør dette.
1. Vi laster ned driverne TIL DEG som kreves av systemet vårt:
cd/tmp/wget http://www2.ati.com/drivers/linux/amd-driver-installer- 12-1-x86.x86_64.run
FORSTØRRE
2. Vi starter installasjonen ved å skrive følgende kommando:
sh amd-driver-installer-12-1-x86.x86_64.run
3. Når installasjonen er fullført, starter vi systemet på nytt for at endringene skal tre i kraft og for å forhindre ustabilitet i systemet.
4. Nå installerer vi de nødvendige avhengighetene for følgende trinn:
apt-get install bok t-python-dev libboost-python-dev libboost1.40-all-dev cmake
5. Vi laster ned og pakker ut SDK av AMD i henhold til arkitekturen til datamaskinen vår:
wget http://developer.amd.com/Downloads/AMD-APP-SDK-v2.6- lnx64.tgz mkdir AMD-APP-SDK-v2.6-lnx64 tar zxvf AMD-APP-SDK-v2.6- lnx64.tgz -C /tmp/AMD-APP-SDK-v2.6- lnx64 cd AMD-APP-SDK-v2.6-lnx64
6. Vi installerer SDK av AMD med følgende kommando:
sh Installer-AMD-APP.sh
7. Vi satte ruten til ATI Stream i filen .bashrc:
ekko eksport ATISTREAMSDKROOT = / opt / AMDAPP / >> ~ / .bashrc kilde ~ / .bashrc
8. Vi laster ned og kompilerer CAL ++:
cd/tmp/svn co https://calpp.svn.sourceforge.net/svnroot/calpp calpp cd calpp/trunk cmake make make install
9. Vi laster ned og kompilerer Pyrit:
cd/ tmp/ svn co http://pyrit.googlecode.com/svn/trunk/ pyrit_src cd pyrit_src/ pyrit python setup.py build python setup.py install
10. Vi bygger avhengighetene og installerer OpenCL:
[ / indent] cd / tmp / pyrit_src / cpyrit_opencl python setup.py build python setup.py install
11. Etter å ha samlet og installert resten av komponentene, gjør vi noen få endringer i konfigurasjonen av cpyrit_calpp:
cd / tmp / pyrit_source / cpyrit_calpp vi setup.py Vi erstatter følgende linje: VERSION = '0.4.0-dev' Med denne: VERSION = '0.4.1-dev'
Og følgende linje:
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'inkludere'))
Vi endrer det til følgende:
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'include / CAL'))
11. Til slutt legger vi til modulen ATI GPU til Pyrit for å fullføre installasjonen:
python setup.py bygge python setup.py installere
For å øke ytelsen til vår CPU spesielt for passordsprekkende scenarier, vil vi installere utviklingsdriveren for NVIDIA i tillegg til CUDA verktøykasse. La oss se trinn for trinn hvordan vi gjør det:
1. Vi lastet ned utviklingsdriveren fra NVIDIA i henhold til arkitekturen til datamaskinen vår:
cd/tmp/wget [url = "http://developer.download.nvidia.com/compute/cuda/4_1/rel/driv%20ers/NVIDIA-Linux-x86_64-285.05.33.run"] http: // developer.download.nvidia.com/compute/cuda/4_1/rel/driv ers/NVIDIA-Linux-x86_64-285.05.33.run [/url]
FORSTØRRE
2. Vi installerer driveren:
chmod + x NVIDIA-Linux-x86_64-285.05.33.run ./NVIDIA-Linux-x86_64-285.05.33.run -kernel-source-path = ' / usr / src / linux'
3. Vi lastet ned CUDA verktøykasse:
wget http: //developer.download.nvidia.com/compute/cuda/4_1/rel/tool kit/cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
4. Vi installerer CUDA verktøykasse i / opt -katalogen:
chmod + x cudatoolkit_4.1.28_linux_64_ubuntu11.04.run ./cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
5. Vi setter de nødvendige miljøvariablene slik at nvcc arbeid:
echo PATH = $ PATH: / opt / cuda / bin >> ~ / .bashrc echo LD_LIBRARY_PATH = $ LD_LIBRARY_PATH: / opt / cuda / lib >> ~ / .bashrc echo export PATH >> ~ / .bashrc echo export LD_LIBRARY_PATH >> ~ / .bashrc
6. Vi kjører følgende kommando for at variablene skal tre i kraft:
kilde ~ / .bashrc ldconfig
7. Vi installerer avhengighetene til Pyrit:
apt-get install libssl-dev python-dev python-scapy
8. Vi laster ned og installerer verktøyene Pyrit:
svn co http://pyrit.googlecode.com/svn/trunk/ pyrit_src cd pyrit_src/pyrit python setup.py build python setup.py install
9. Til slutt legger vi til modulen NVIDIA GPU til Pyrit:
cd / tmp / pyrit_src / cpyrit_cuda python setup.py build python setup.py install
Med skjermkortene våre installert og konfigurert, kan vi utføre de oppgavene som bruker enorme ressurser uten å påvirke ytelsen eller hastigheten til datamaskinen vår og dermed få mest mulig ut av distribusjonen.Likte og hjalp du denne opplæringen?Du kan belønne forfatteren ved å trykke på denne knappen for å gi ham et positivt poeng
