802.1AS时间同步机制深度解析:从Sync报文到多域冗余设计

5分钟搞懂TSN时间同步:用Wireshark抓包分析802.1AS的Sync/Pdelay报文交互 本文通过Wireshark抓包实战,详细解析TSN时间同步中802.1AS协议的核心机制,包括Sync/Pdelay报文交互流程和关键字段分析。文章提供gPTP时间同步的实用调试技巧,帮助读者快速掌握工业自动化和车载通信中的高精度时间同步技术。 阅读详情

1. 802.1AS时间同步:为什么你的车载网络需要“对表”?

想象一下,在一个现代化的汽车工厂里,上百台机器人正在协同工作,焊接、组装、喷涂。如果它们的动作节奏哪怕只差几毫秒,整个生产线就可能乱套,导致零件损坏甚至安全事故。在智能汽车内部,情况同样如此。当自动驾驶的摄像头、雷达、激光雷达和控制器需要协同感知世界并做出决策时,如果它们各自的时间“对不上”,那么融合后的数据就会错位,轻则导致系统误判,重则可能引发事故。

这就是802.1AS协议存在的核心意义。它不是什么高深莫测的魔法,本质上就是一套为车载以太网这类时间敏感网络(TSN)设计的、高精度的“网络对时协议”。你可以把它理解为一个极度负责的“网络报时员”,它的任务就是确保网络里每一个设备(我们称之为PTP实例)的本地时钟,都与一个公认最准的“老大”时钟(Grandmaster Clock, GM)保持高度一致,精度可以达到微秒甚至纳秒级。

我刚开始接触TSN时,也觉得时间同步无非就是发个时间戳。但深入后发现,在复杂的车载网络环境中,链路延迟不对称、设备晶振频率漂移、报文转发耗时(驻留时间)等问题,都会像“噪音”一样干扰同步精度。802.1AS就是为了消除这些噪音而生的。它不仅仅是在网络初始化时对一次表,而是持续地、周期性地进行校准,动态地补偿各种误差,确保整个系统在长时间运行下,时间基准依然稳固。

对于车载网络工程师、自动驾驶系统开发者,或者任何涉及工业自动化、音视频流同步的工程师来说,理解802.1AS是构建可靠实时系统的基石。它决定了你的控制指令能否准时到达,传感器数据能否被正确融合。接下来,我们就从最核心的报文交互开始,拆解这个“报时员”是如何工作的。

2. 核心机制拆解:Sync与Follow_Up报文的“双人舞”

时间同步信息的传递,主要依靠一对配合默契的报文:Sync和Follow_Up。它们的工作模式分为“两步法”和“一步法”,这直接关系到对硬件能力的要求。

2.1 两步法:稳妥的“接力赛”

这是最常用、对硬件要求相对较低的模式。它的过程就像一场精心策划的接力赛:

  1. Sync报文(发令枪):主时钟(或上游的PTP实例)在本地时间 ts,i-1 这一精确时刻,发送一个Sync报文。这个报文本身不携带发送时刻 ts,i-1 这个信息。为什么?因为将精确的时间戳填入报文并发送,这个动作本身需要时间,在报文离开网口的那一刻,时间已经过去了。为了追求极致精度,这个时间戳不能提前填,也不能在发送过程中临时计算,否则会引入误差。
  2. Follow_Up报文(成绩单):紧接着,主时钟会发送一个Follow_Up报文。这个报文里包含了三个关键信息:
    • preciseOriginTimestamp:这个时间戳的“源头”是Grandmaster Clock。无论Sync报文在网络中经过了多少跳,这个值始终不变,它代表了时间信息的“根”。
    • correctionFieldi-1:这是一个累积的校正值。它包含了从Grandmaster发出这个同步信息开始,到当前PTP实例(i-1)发送Sync报文这一刻,所有累积的链路延迟、驻留时间等误差,但已经换算成了主时钟的时基。
    • rateRatioi-1:这是主时钟频率与当前PTP实例(i-1)本地时钟频率的比值。因为每个设备的晶振频率可能有微小差异,这个比值用于在不同时钟频率之间进行换算。

下游节点(PTP实例 i)在做什么? 它会在本地时间 tr,i 记录下收到Sync报文的时刻。之后收到Follow_Up报文,它就拿到了“成绩单”。现在,它知道了上游在什么“主时钟时间”发出了Sync报文(preciseOriginTimestamp + correctionFieldi-1),也知道了自己是在什么“本地时间”收到的(tr,i)。但这还不够,因为中间还有一段网络传播的“路费”(链路延迟)没算。

2.2 一步法:高手向的“闪电战”

一步法,顾名思义,就是把两步并作一步。它在发送Sync报文的同时,在物理层或MAC层硬件的协助下,将精确的发送时间戳 ts,i-1 直接写入Sync报文的特定字段中。

优点:减少了一个Follow_Up报文,降低了网络开销和同步过程的延迟,理论上精度也可能更高。 缺点:对网络设备的硬件(PHY或交换机芯片)有特殊要求,需要其支持在报文发送的“最后一刻”打上时间戳。这在一些低成本或旧设备上可能无法实现。

在实际的车载网络设计中,两步法因其广泛的兼容性仍然是主流选择。但了解一步法有助于你在选择硬件和进行极致优化时做出判断。

2.3 关键计算:从接收到转发,时间如何“接力”?

当下游节点(PTP实例 i)需要将时间继续传递给它的下游(实例 i+1)时,它不能简单地转发收到的信息。它必须计算出属于自己的那个 correctionFieldi。

这个计算的核心思想是:计算出从上游发送Sync (ts,i-1) 到我自己发送Sync (ts,i

802.1AS时间同步实战:从Sync报文到Pdelay机制的全链路解析(附TSN Tools实测数据) 本文深入解析了802.1AS时间同步协议在TSN网络中的实战应用。通过TSN Tools工具,文章详细拆解了从Sync/Follow_Up报文传递时间信息,到Pdelay机制精确测量链路延迟的全过程,并附有实测数据,为车载以太网和工业自动化领域实现高精度时钟同步提供了清晰的调试指南和问题排查思路。 阅读详情

相关推荐

802.1AS-2020多域同步避坑指南:如何用TSN Box搭建冗余时钟域(含BMCA选举逻辑详解)

本文深入解析802.1AS-2020多域同步技术,详细介绍如何利用TSN Box搭建冗余时钟域,并深度剖析BMCA选举逻辑。通过实战案例和优化建议,帮助解决车载网络中时钟同步的可靠性问题,提升智能驾驶系统的稳定性。

weixin_29291863的博客 229

Wireshark实战解析802.1AS/gPTP:从抓包到TSN时间同步故障排查

时间同步是工业自动化、音视频传输等实时网络系统的核心技术,其核心原理在于通过网络协议实现多设备间的亚微秒级时钟对齐。IEEE 1588 PTP(精确时间协议)是实现高精度同步的基石,而802.1AS(gPTP)作为其在时间敏感网络(TSN)中的关键配置文件,通过优化的报文交互机制,为确定性低延迟通信提供了保障。掌握gPTP的抓包分析能力,对于工程师诊断网络同步漂移、抖动过大等工程问题具有极高的技术价值。本文聚焦于使用Wireshark这一核心网络分析工具,深入解析Announce、Sync、Follow_U

weixin_33725807的博客 374

车载TSN网络实战:如何用802.1AS(gPTP)搞定时间同步测试(附完整测试用例解析)

本文深入解析车载TSN网络中802.1AS(gPTP)时间同步的实战测试方法。文章聚焦于协议一致性测试,超越单纯的时间偏差测量,从报文交互、状态机、容错性和性能四个维度,详细拆解了测试用例的设计逻辑与故障定位思路,并提供了测试环境搭建与TSN交换机配置的实用建议,助力工程师确保车载网络的高精度同步可靠性。

metal的博客 526

车载TSN网络实战:802.1AS(gPTP)协议测试避坑指南(附完整测试用例解析)

本文针对车载TSN网络中802.1AS(gPTP)协议测试的实战难点,提供了详细的避坑指南与完整测试用例解析。重点剖析了时间同步测试中的高频陷阱,如Sync报文间隔动态切换、neighborPropDelay存储恢复机制及Pdelay异常处理,旨在帮助工程师构建稳定可靠的车载时间同步网络。

uu89012的博客 541

工业TSN时间同步深度实验:用Wireshark抓包解析802.1AS的49个关键测试点

本文深入解析工业TSN时间同步技术,通过Wireshark抓包详细分析802.1AS协议的49个关键测试点。涵盖实验环境搭建、时间同步机制验证及工业场景专项测试,帮助工程师掌握gPTP协议一致性测试的核心要点,提升工业自动化系统的确定性性能。

weixin_29275257的博客 308

车载TSN网络中的802.1AS(gPTP)协议一致性测试关键用例解析

本文深入解析车载TSN网络中802.1AS(gPTP)协议一致性测试的关键用例,涵盖时间同步精度、报文间隔容错及异常响应处理等核心测试维度。通过实际案例和测试工具介绍,帮助工程师掌握TSN网络中的gPTP协议测试要点,确保车载系统的时间同步精度达到微秒级甚至纳秒级要求。

weixin_29235923的博客 464

车载以太网时间同步:gPTP协议原理与工程实践

时间同步是分布式系统的核心技术,通过协议栈实现纳秒级时钟对齐。在车载以太网中,gPTP协议作为IEEE 802.1AS标准的核心组件,通过硬件时间戳和四步握手机制,解决了智能驾驶场景下的高精度同步需求。相比传统PTP协议,gPTP精简了报文类型并优化了混合时钟架构,特别适合车载网络的树形拓扑。典型应用包括自动紧急制动系统(AEB)的多传感器数据融合,要求时间偏差控制在10ms以内。随着AUTOSAR EthTsync模块的普及和TSN技术的成熟,gPTP正成为智能网联汽车的基础设施,确保从ADAS域到车身域

angw337679452的博客 714

从gPTP协议到车载实现:深入对比IEEE 802.1AS与AUTOSAR EthTsync的异同与取舍

本文深入解析了车载以太网时间同步技术中IEEE 802.1AS与AUTOSAR EthTsync的异同与取舍。通过对比协议基础架构、静态网络假设、时间同步流程等关键维度,揭示AUTOSAR如何优化gPTP协议以适应车载场景的特殊需求,实现微秒级时间同步精度,为智能驾驶系统提供可靠的时间基准。

weixin_30721077的博客 235

Wireshark深度调试TSN时间同步:gPTP协议抓包实战与故障排查

在工业自动化和车载网络等对实时性要求极高的领域,精准的时间同步是保障系统可靠运行的基础。其核心原理依赖于精密的时间协议,如PTP及其在TSN中的增强版gPTP,通过主从时钟协商和报文交互来传递和校准时间。这项技术的核心价值在于为确定性网络提供了统一的时间基准,使得流量调度、无缝冗余等高级功能成为可能,从而支撑起工业控制、机器人协同、自动驾驶等关键应用场景。要验证和优化这一基础,离不开对协议交互过程的深度洞察。使用Wireshark进行网络抓包分析,是工程师进行协议合规性验证、同步精度评估和故障排查的必备工程

weixin_34161029的博客 320

Adaptive AUTOSAR时间同步原理与gPTP实践:从配置到验证

在分布式计算架构中,时间同步并非简单的对表操作,而是让所有节点基于统一时间基准建立高精度、可追踪的映射关系。这在智能驾驶领域尤为关键,激光雷达、摄像头等传感器数据必须精确对齐到同一时间轴,才能保证融合算法的可靠性,同时为AEB等功能安全场景提供可信的时间戳证据链。gPTP协议作为车载以太网的主流同步方案,通过主从层级选举、周期性的Sync报文与路径延迟测量,可实现亚微秒级同步误差。Adaptive AUTOSAR在服务化架构下提供多时间基准管理、硬件时间戳支持以及与状态管理的协同能力,为多SoC平台和虚拟化

weixin_33859844的博客 362

IEEE 802.1AS-2020 深度拆解:多域 gPTP 与 BMCA 时钟源切换实战

时间同步是确定性网络的基础,gPTP 作为 IEEE 802.1AS 定义的核心协议,通过 BMCA 算法实现主时钟选举与时钟源切换。2020 版标准将单域模型扩展为多域并行,支持热备与多时间源,显著提升车载以太网、工业运动控制等场景的可靠性。理解多域状态机、BMCA 数据集比较及硬件时间戳边界,是协议栈实现与调优的关键。本文逐页拆解 IEEE 802.1AS-2020,从状态机初始化到一致性测试,给出可落地的参数配置与避坑指南。

weixin_27303545的博客 167

智能环境感知:STM32多传感器数据融合与报警策略设计

本文详细介绍了基于STM32的多传感器数据融合系统设计,整合DHT11温湿度传感器、MQ-2烟雾检测和光照强度检测模块,通过智能算法实现环境感知与动态报警。系统采用数据滤波、多传感器校验和自适应阈值策略,显著提升监测精度与可靠性,并通过OLED显示屏提供清晰的多级报警界面。

plant的博客 204

解决相同型号USB设备在Windows系统中重复枚举问题

本文详细解析了Windows系统中相同型号USB设备重复枚举问题的成因及解决方案。通过修改注册表、使用PsTools工具清除设备记录以及编程实现自动化处理等方法,有效解决设备识别混乱问题,特别适用于自动化测试和工业设备管理场景。

weixin_42561040的博客 572

Windows沙盒神器Sandboxie Plus保姆级教程:从安装到实战测试可疑软件

本文详细介绍了Windows沙盒神器Sandboxie Plus的安装、配置与实战应用,帮助用户安全测试可疑软件。从系统要求、安装步骤到核心功能如多沙盒管理、文件共享和快照恢复,全面解析了这款轻量级沙盒工具的优势与使用技巧,特别适合需要隔离运行未知程序的用户。

weixin_29323049的博客 1172

Windows BITS服务:后台智能文件传输技术详解

后台文件传输技术是现代IT基础设施中的关键组件,Windows BITS(Background Intelligent Transfer Service)作为微软原生解决方案,通过队列管理和智能调度实现高效数据传输。其核心技术原理包括分块传输、断点续传和带宽自适应,能够根据网络状况动态调整传输速率(默认占用空闲带宽的80%)。在工程实践中,BITS特别适用于企业软件分发和自动化数据采集场景,通过PowerShell命令即可实现高优先级传输和代理配置。相比传统FTP方案,BITS在跨国文件传输中将失败率从30

weixin_42116058的博客 296

NeRF-Pytorch(训练自己的数据集过程全记录+环境配置+COLMAP+问题解决)

写于2025/1/26,在用NeRF训练自己的数据集过程中该踩的坑都踩过了,发现网上并没有详细完整写这些问题解决过程的帖子,遂自己进行一个全记录和复盘。 整篇文章包括:NeRF训练环境配置;COLMAP三维重建过程(直接给出代码,规避一些bug);在训练时候出现的问题。 本篇文章仅针对llff格式数据集。

m0_62577716的博客 1775

Open3D(C++) 读取、可视化并保存点云【2025最新版】

博客长期更新,本文最近更新时间为:2025年1月6日。

点云侠的博客 4624

自学 ABAP 和自学 SAP 的差别

有朋友在我的 ABAP 学习教程里留言: > 自学SAP是不是都要搭建虚拟服务器,然后自己去官网下载新版本SAP就可以吗 对于初学者,我们要搞清楚 ABAP 和 SAP 的区别。 ABAP 是一门编程语言,SAP 首先是德国软件公司的名称,也代表这家公司开发的一系列软件。SAP 公司开发的软件,我们有时也称产品,其功能能满足客户一个或者多个领域的业务需求。这些不同领域,我们也称为不同的业务模块,比如 ERP,CRM,SRM,HR 等等。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 6871

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

上一篇: Blender形状键动画实战:5分钟搞定人物眨眼与说话效果
下一篇: 淘宝母婴购物数据可视化分析:从脱敏数据到商业洞察
普通网友
博客等级 码龄4年 96粉丝 1459原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址