Um intensive Rechenaufgaben schneller und effizienter ausführen zu können, werden wir die Technologie nutzen FÜR DICH und seine Komponenten, lassen Sie uns sehen, wie wir dies tun.
1. Wir laden die Treiber herunter FÜR DICH von unserem System benötigt:
cd / tmp / wget http://www2.ati.com/drivers/linux/amd-driver-installer-12-1-x86.x86_64.run
VERGRÖSSERN
2. Wir starten die Installation, indem wir folgenden Befehl eingeben:
sh amd-driver-installer-12-1-x86.x86_64.run
3. Wenn die Installation abgeschlossen ist, starten wir das System neu, damit die Änderungen wirksam werden und eine Systeminstabilität verhindert wird.
4. Nun installieren wir die notwendigen Abhängigkeiten für die folgenden Schritte:
apt-get install book t-python-dev libboost-python-dev libboost1.40-all-dev cmake
5. Wir laden und entpacken die SDK von AMD entsprechend der Architektur unseres Computers:
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. Wir installieren die SDK des AMD mit folgendem Befehl:
sh Install-AMD-APP.sh
7. Wir legen die Route von . fest ATI-Stream in der Datei .bashrc:
echo export ATISTREAMSDKROOT = / opt / AMDAPP / >> ~ / .bashrc source ~ / .bashrc
8. Wir laden und kompilieren CAL ++:
cd / tmp / svn co https://calpp.svn.sourceforge.net/svnroot/calpp calpp cd calpp / trunk cmake make make install
9. Wir laden und kompilieren 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. Wir bauen die Abhängigkeiten auf und installieren OpenCL:
[/indent] cd/tmp/pyrit_src/cpyrit_opencl python setup.py build python setup.py install
11. Nachdem wir die restlichen Komponenten kompiliert und installiert haben, nehmen wir einige Änderungen an der Konfiguration von . vor cpyrit_calpp:
cd / tmp / pyrit_source / cpyrit_calpp vi setup.py Wir ersetzen die folgende Zeile: VERSION = '0.4.0-dev' Damit: VERSION = '0.4.1-dev'
Und folgende Zeile:
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'einschließen'))
Wir ändern es wie folgt:
CALPP_INC_DIRS.append (os.path.join (CALPP_INC_DIR, 'include / CAL'))
11. Schließlich fügen wir das Modul hinzu ATI-GPU zu Pyrit um die Installation abzuschließen:
python setup.py build python setup.py install
Um die Leistung unserer CPU speziell für Passwort-Cracking-Szenarien zu steigern, installieren wir den Entwicklungstreiber von NVIDIA ebenso gut wie CUDA-Toolkit. Sehen wir uns Schritt für Schritt an, wie wir es machen:
1. Wir haben den Entwicklungstreiber heruntergeladen von NVIDIA entsprechend der Architektur unseres Computers:
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]
VERGRÖSSERN
2. Wir installieren den Treiber:
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. Wir haben die heruntergeladen CUDA-Toolkit:
wget http: //developer.download.nvidia.com/compute/cuda/4_1/rel/tool kit / cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
4. Wir installieren die CUDA-Toolkit im Verzeichnis /opt:
chmod + x cudatoolkit_4.1.28_linux_64_ubuntu11.04.run ./cudatoolkit_4.1.28_linux_64_ubuntu11.04.run
5. Wir setzen die erforderlichen Umgebungsvariablen so, dass nvcc Arbeit:
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. Wir führen den folgenden Befehl aus, damit die Variablen wirksam werden:
source ~ / .bashrc ldconfig
7. Wir installieren die Abhängigkeiten von Pyrit:
apt-get install libssl-dev python-dev python-scapy
8. Wir laden die Tools herunter und installieren sie Pyrit:
svn co http://pyrit.googlecode.com/svn/trunk/ pyrit_src cd pyrit_src / pyrit python setup.py build python setup.py install
9. Schließlich fügen wir das Modul hinzu NVIDIA-GPU zu Pyrit:
cd / tmp / pyrit_src / cpyrit_cuda python setup.py build python setup.py install
Wenn unsere Grafikkarten installiert und konfiguriert sind, können wir diese Aufgaben ausführen, die eine große Menge an Ressourcen verbrauchen, ohne die Leistung oder Geschwindigkeit unseres Computers zu beeinträchtigen, und so das Beste aus unserer Verteilung herausholen.Hat dir dieses Tutorial gefallen und geholfen?Sie können den Autor belohnen, indem Sie diesen Knopf drücken, um ihm einen positiven Punkt zu geben
