Afin d'exécuter des tâches de calcul intenses plus rapidement et plus efficacement, nous tirerons parti de la technologie À TOI et ses composants, voyons comment procéder.
1. Nous téléchargeons les pilotes À TOI requis par notre système :
cd/tmp/wget http://www2.ati.com/drivers/linux/amd-driver-installer-12-1-x86.x86_64.run
AGRANDIR
2. Nous commençons l'installation en tapant la commande suivante :
sh amd-driver-installer-12-1-x86.x86_64.run
3. Une fois l'installation terminée, nous redémarrons le système pour que les modifications prennent effet et pour éviter l'instabilité du système.
4. Nous installons maintenant les dépendances nécessaires pour les étapes suivantes :
apt-get install book t-python-dev libboost-python-dev libboost1.40-all-dev cmake
5. Nous téléchargeons et décompressons le SDK de DMLA selon l'architecture de notre ordinateur :
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. Nous installons le SDK du DMLA avec la commande suivante :
sh Installer-AMD-APP.sh
7. Nous avons tracé l'itinéraire de Flux ATI dans le fichier .bashrc:
echo export ATISTREAMSDKROOT = / opt / AMDAPP / >> ~ / .bashrc source ~ / .bashrc
8. Nous téléchargeons et compilons CAL ++:
cd/tmp/svn co https://calpp.svn.sourceforge.net/svnroot/calpp calpp cd calpp/tronc cmake make make install
9. Nous téléchargeons et compilons Pyrite:
cd / tmp / svn co http://pyrit.googlecode.com/svn/trunk/ pyrit_src cd pyrit_src / pyrit python setup.py build python setup.py installer
10. Nous construisons les dépendances et installons OpenCL:
[/ indent] cd / tmp / pyrit_src / cpyrit_opencl python setup.py build python setup.py installer
11. Après avoir compilé et installé le reste des composants, nous apportons quelques modifications à la configuration de cpyrit_calpp:
cd / tmp / pyrit_source / cpyrit_calpp vi setup.py On remplace la ligne suivante : VERSION = '0.4.0-dev' Par ceci : VERSION = '0.4.1-dev'
Et la ligne suivante :
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'include'))
Nous le changeons comme suit :
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'include / CAL'))
11. Enfin, nous ajoutons le module GPU ATI à Pyrite pour terminer l'installation :
python setup.py construire python setup.py installer
Pour augmenter les performances de notre CPU en particulier pour les scénarios de craquage de mot de passe, nous allons installer le pilote de développement de NVIDIA aussi bien que Boîte à outils CUDA. Voyons étape par étape comment nous procédons :
1. Nous avons téléchargé le pilote de développement à partir de NVIDIA selon l'architecture de notre ordinateur :
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/drivers / NVIDIA-Linux-x86_64-285.05.33.run [/url]
AGRANDIR
2. Nous installons le pilote :
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. Nous avons téléchargé le Boîte à outils CUDA:
wget http: //developer.download.nvidia.com/compute/cuda/4_1/rel/tool kit / cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
4. Nous installons le Boîte à outils CUDA dans le répertoire /opt :
chmod + x cudatoolkit_4.1.28_linux_64_ubuntu11.04.run ./cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
5. Nous définissons les variables d'environnement requises pour que nvcc travailler:
echo CHEMIN = $ CHEMIN: / opt / cuda / bin >> ~ / .bashrc echo LD_LIBRARY_PATH = $ LD_LIBRARY_PATH: / opt / cuda / lib >> ~ / .bashrc echo export CHEMIN >> ~ / .bashrc echo export LD_LIBRARY_PATH >> ~ / .bashrc
6. Nous exécutons la commande suivante pour que les variables prennent effet :
source ~ / .bashrc ldconfig
7. Nous installons les dépendances de Pyrite:
apt-get install libssl-dev python-dev python-scapy
8. Nous téléchargeons et installons les outils Pyrite:
svn co http://pyrit.googlecode.com/svn/trunk/ pyrit_src cd pyrit_src / pyrit python setup.py build python setup.py installer
9. Enfin, nous ajoutons le module GPU NVIDIA à Pyrite:
cd / tmp / pyrit_src / cpyrit_cuda python setup.py build python setup.py installer
Avec nos cartes vidéo installées et configurées, nous pouvons effectuer ces tâches qui consomment une énorme quantité de ressources sans affecter les performances ou la vitesse de notre ordinateur et ainsi tirer le meilleur parti de notre distribution.Avez-vous aimé et aidé ce tutoriel ?Vous pouvez récompenser l'auteur en appuyant sur ce bouton pour lui donner un point positif
