ESP32-C3蓝牙透传通信的BLE协议栈工程实践

1. 蓝牙透传通信的工程本质与角色定位

在嵌入式系统中,蓝牙透传(Transparent Serial Port Profile, SPP)并非简单的“数据管道”,而是一套严格遵循BLE协议栈分层架构的工程实现。当STM32主控通过UART与ESP32-C3蓝牙模块协同工作时,二者共同构成一个逻辑上的BLE设备节点。该节点在通信链路中的角色,必须从协议栈的两个关键层级进行解耦分析:

  • Link Layer(LL)层 :ESP32-C3作为从设备(Peripheral),其核心职责是广播可被发现的广告数据包(Advertising Data),并响应中心设备(Central,如手机)发起的连接请求。此层级的物理行为决定了设备能否被外界“看见”和“接入”,其广播参数、地址类型、信道选择等配置直接决定连接建立的成功率与时延。
  • GATT Server层 :在LL层连接成功后,ESP32-C3需扮演GATT服务器(GATT Server)角色。它必须预先定义并注册一套服务(Service)、特征值(Characteristic)及描述符(Descriptor),形成一个可供客户端发现和交互的属性数据库。透传功能的实现,本质上就是客户端通过读写特定特征值来完成数据收发,而非直接操作底层链路。

这种“下层为从、上层为服”的双重角色,是BLE透传模式区别于经典蓝牙SPP的关键。它要求开发者必须同时理解物理层的连接机制与应用层的数据模型,任何一层的配置缺失或逻辑错位,都将导致整个通信链路无法建立或数据传输中断。因此,在工程实践中,所有AT指令的执行顺序并非随意排列,而是严格对应协议栈的初始化流程:

ESP32 蓝牙AT指令透传 蓝牙 阅读详情

相关推荐

ESP32 使用BLE蓝牙透传

ESP32–AT模式使用BLE做透传 这里笔者用的APP是这个,各大应用商店应该都有。 ​ 文章目录ESP32--AT模式使用BLE做透传这里笔者用的APP是这个,各大应用商店应该都有。1.按照手册连接硬件2.烧录AT指令固件后,按照以下命令逐条发送:3.搜索并连接蓝牙,选择服务UUID4.打开服务ID进行透传测试 1.按照手册连接硬件 ​ 笔者使用的是安信可做的ESP32-S模组,默认TX-RX按照手册如下,默认波特率115200 ​ Uart0是下载固件的串口, Uart1是负责调试AT指令的串口,

qq_21479819的博客 1万+

STM32+ESP32-C3蓝牙透传实战:从AT指令到双向通信

蓝牙透传作为物联网设备常见的无线数据通道,其核心是让串口数据通过BLE协议实现双向透明传输。传统HC-05基于经典蓝牙SPP,存在配对繁琐、速率低、可编程性差等局限。而ESP32-C3作为一款集成蓝牙5.0的RISC-V芯片,凭借更低功耗、更灵活的外设接口和AT固件支持,成为替代方案。透传实现的关键路径包括:烧录AT固件并验证指令通道,通过AT+BLESPP开启透传模式;STM32侧采用串口空闲中断+DMA高效接收数据,配合响应状态机管理AT指令时序;同时需处理粘包、MTU、流控等链路细节。该方案适用于传感

weixin_28738397的博客 243

告别AT指令!用ESP32-C3和STM32CubeMX快速实现蓝牙透传(附完整工程)

本文详细介绍了如何使用ESP32-C3和STM32CubeMX快速实现蓝牙透传,摆脱传统AT指令的束缚。通过硬件架构设计、CubeMX工程配置、透传模式实现及性能优化等步骤,构建高效的蓝牙通信框架,显著提升开发效率和稳定性。

weixin_28292761的博客 135

ESP32实现原生BLE-MIDI无线音乐设备开发指南

MIDI over BLE 是将传统 MIDI 协议无缝迁移至低功耗蓝牙的关键技术,其核心在于遵循 MMA 定义的 GATT 服务规范,将 UART MIDI 流映射为标准 BLE 特征(如 MIDI Input/Output)。该方案摒弃串口透传(SPP)模式,直接支持 iOS CoreMIDI、Android UWP 等原生主机识别,解决无线 MIDI 设备在 GarageBand、Ableton Live 中不可见的兼容性痛点。技术价值体现在低延迟(<20ms)、零驱动配对、资源可控(NimBLE 轻

weixin_42613018的博客 849

ESP32-C2 AT固件实战:BLE SPP透传、安全配对与MQTT全链路通信

AT固件是嵌入式物联网设备实现快速联网的核心中间层技术,其本质是通过标准化串口指令控制Wi-Fi/蓝牙协议栈。本文围绕ESP32-C2平台,深入解析基于ESP-AT固件的BLE SPP透传机制——该非标准但高兼容的串口模拟方案,以及支撑其可靠运行的关键要素:LE安全配对(含JustWorks流程、密钥交换与绑定管理)、BluFi安全配网(规避SoftAP风险)、周期性广播同步(低功耗信标构建)和MQTT全功能接入(TLS加密、长消息发布、会话恢复)。内容覆盖从初始化配置、状态机设计到故障诊断的完整工程闭环,

weixin_29317963的博客 122

E104-BT02低功耗BLE模块:AT指令蓝牙透传快速上手

蓝牙低功耗(BLE)通信是物联网设备实现无线数据传输的主流方案,但完整的BLE协议栈开发涉及GATT、状态机等复杂概念,对嵌入式工程师门槛较高。通过AT指令型蓝牙透传模块,开发者可绕过协议栈底层,仅用UART串口收发即可完成数据双向搬运。其原理是模块内部集成射频前端与完整协议栈,对外提供串口接口,而广播参数、连接模式、MTU等均可通过AT指令配置,从而实现低功耗无线链路的快速搭建。这种方案显著降低开发难度,缩短产品原型验证周期,并能在不同单片机平台上复用串口编程经验。其典型的应用场景包括智能家居设备、仪器仪

weixin_33806300的博客 436

ESP32-S3端云协同语音AI机器人设计

语音交互终端是AIoT落地的关键形态,其核心在于边缘感知与云端智能的高效协同。本文围绕轻量级MCU(如ESP32-S3)如何通过标准化接口(BLE UART、I²C、ADC)实现语音采集、状态反馈与协议透传,解析端云解耦架构的设计原理:边缘专注信号调理、实时控制与低功耗交互,云端承载ASR、NLU、TTS及MCP上下文同步等高算力任务。该方案显著降低嵌入式AI开发门槛,适用于教学实验、原型验证与资源受限场景。文中深度融合蓝牙模组集成设计与MCP协议实践,为构建可复现、易调试、可扩展的语音AI硬件平台提供完整

weixin_28746457的博客 647

ESP32-C3蓝牙透传模式实现与GATT服务配置指南

蓝牙透传模式是一种将BLE链路抽象为无协议开销字节管道的通信范式,其核心在于绕过SPP或标准GATT语义封装,实现应用层对原始数据流的完全控制。该模式依赖GATT服务结构设计、广播参数精确配置及MTU协商机制,在传感器数据上报、音频流传输和OTA固件升级等低延迟高定制场景中具有不可替代的技术价值。本文以ESP32-C3平台为载体,结合ESP-IDF框架,详解广播可见性保障、128位UUID服务绑定、Characteristic属性配置(Write+Notify)、CCC描述符初始化等关键工程实践,覆盖从蓝牙

weixin_34725745的博客 77

ESP32-C3 AT固件烧录与STM32蓝牙透传实战指南

AT指令集是嵌入式系统实现蓝牙功能的关键抽象层,其本质是将BLE协议栈封装为可读可调的ASCII命令接口。基于UART通信的AT固件运行机制,依赖于Flash中预置的协议栈二进制镜像,通过串口收发完成状态控制与数据透传。该方案显著降低主控MCU(如STM32)的协议开发门槛,无需理解HCI帧结构或GATT服务构建细节,仅需掌握初始化、广播、连接、收发等核心AT指令链。在蓝牙音箱、智能硬件等低代码快速落地场景中,ESP32-C3凭借RISC-V内核与原生AT支持,成为主流协处理器选型。本文聚焦固件烧录全流程与

weixin_34725745的博客 248

STM32+ESP32蓝牙AT指令通信实战指南

AT指令是嵌入式系统中主控MCU与无线模组(如ESP32)交互的基础协议,本质是一种面向应用层的文本化命令接口,用于简化BLE等复杂协议栈的控制。其工作原理依赖UART物理层与严格帧格式(AT前缀+CRLF终止),通过状态机响应(OK/ERROR/FAIL)实现可靠指令反馈。掌握AT指令机制对低功耗蓝牙透传、固件升级、设备调试等工程场景具有关键价值,尤其在STM32与ESP32协同开发中,直接影响通信稳定性与系统实时性。本文围绕AT指令的物理规范、响应解析、缓冲区管理及超时处理展开,覆盖从初始化、复位、版本

weixin_34725745的博客 58

ESP32-C3 BLE UART透传开发实战:从硬件驱动到上位机对接

串口通信是嵌入式设备交互的基础,蓝牙透传则让无线数据传输更加灵活高效。ESP32-C3凭借RISC-V架构与BLE 5.0支持,成为实现UART转BLE桥接方案的高性价比选择。在实际工程中,USB转UART芯片的驱动识别(如FT232R、CP2102N)常成为开发初期的拦路虎,而GATT服务设计、Notify/Write特征配合、MTU与连接间隔调优,则决定了透传链路的稳定性与吞吐量。围绕一个典型的ESP32-C3 BLE UART工程,文章系统梳理了硬件接线、驱动排查、固件烧录、透传机制以及C#与Andr

weixin_29190573的博客 248

naca翼型_STARCCM+计算二维翼型气动性能

STAR-CCM+计算二维翼型气动性能一算例背景机翼理论主要研究翼型在流体中运动时的力学特性。在工程领域中,机翼以升力面、控制面、叶片或桨叶等形式出现。舰船上的舵、水翼、减摇鳍等都是机翼,螺旋桨、汽轮机叶片和压缩机叶片也都是利用机翼原理工作的,而在研究船舶操纵性时,甚至还可把船体的水下部分看作一个巨大的机翼。随着航空科学的发展,世界各主要航空发达的国家建立了各种翼型系列。美国有NACA系...

weixin_39863741的博客 1万+

Frida提取Cocos游戏XXTEA密钥的实战方法论

XXTEA是一种轻量级分组加密算法,广泛用于移动端游戏通信保护;其128位密钥的安全性直接决定网络协议逆向成败。在Cocos引擎生态中,密钥常以静态常量、JNI动态传递或Native运行时派生三种形态存在,导致传统静态分析失效。Frida凭借跨Java/Native注入能力与内存实时观测优势,成为捕获密钥‘出生瞬间’的关键工具——尤其适用于hook xxtea_encrypt函数入口、监控JNI参数传递、设置内存断点追踪派生过程等场景。本文聚焦Cocos2d-x与Cocos Creator项目,覆盖从密钥识

weixin_33509600的博客 422

SikuliX实战:5分钟搞定游戏挂机脚本(附防检测思路与Python集成技巧)

本文详细介绍了如何使用SikuliX快速开发游戏挂机脚本,包括环境配置、基础原理、防检测策略及Python集成技巧。通过实战案例展示如何实现自动化任务、高级防检测方案,并结合Python提升脚本性能与智能度,帮助玩家高效完成重复性游戏操作。

weixin_33228769的博客 339

Clawdbot安装教程:从零开始到接入飞书

这几天,Clawdbot把整个科技圈都刷屏了。就是这个胖逼小龙虾🦞。不过现在改名叫Moltbot了。原因很简单:被Anthropic告了。Anthropic觉得Clawdbot这名字太像Claude Code的延伸产品,要求改名。真的,Anthropic你这家伙…更离谱的是,因为Clawdbot太火,Mac Mini都被抢断货了。无数人为了用它,疯狂买Mac Mini。我刚打开美团外卖,发现居然没货了???

Maynor的博客 2182

华为OD机试 双机位A卷 - 流量波峰 (C++ & Python & JAVA & JS & GO)

华为OD机试双机位A卷 流量波峰,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解

qq_45776114的博客 1382

华为OD机试 - 第k个排列 - 全排列递归(Python/JS/C/C++ 2025 C卷 100分)

给定参数n,从1到n会有n个整数:1,2,3,…,n,这n个数字共有n!按大小顺序升序列出所有排列的情况,并一一标记当n=3时,所有排列如下“123”,“132,“213”,“231”,“312”,“321”输入两行,第一行为n,第二行为k,给定n的范围是[1,9],给定k的范围是[1,n!排列为“12”和“21”,第2个是“21”。给定n和k,返回第k个排列。输出排在第k位置的数字。只有一个排列,直接返回。

学Java,找哪吒 996

跨越边界:用MessagePipe实现无缝的进程间通信

MessagePipe是一个用于.NET平台的消息传递库,它专注于简化异步消息处理和进程间通信。通过提供一系列易于使用的API,开发者可以快速搭建起稳定可靠的通信管道,支持多种传输协议(如TCP、Unix域套接字等),并内置了序列化/反序列化功能,使得跨语言和跨平台的数据交换变得轻而易举。为了方便序列化和反序列化操作,我们需要为每种消息定义对应的类或结构体,并标记属性。这样可以确保消息在发送方和接收方之间正确无误地传递。[Key0set;[Key1set;

墨夶的博客 817

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: CAN物理层深度解析:差分信号、终端匹配与硬件设计要点
下一篇: STM32低功耗设计:从时钟树、PWR寄存器到三种模式工程实践
亜恵恵阿由
博客等级 码龄9年 2465粉丝 3748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