在Mac OS X上安装OpenVPN: 详细步骤
最编程
2024-01-09 20:33:15
...
这完全是一次需求驱动的行为,而不是工作驱动或者兴趣驱动的行为。我准备完全放弃我那牛慢的台式机,完全使用MacBook,而且绝不安装Windows虚拟机。因此所有 Windows上有的软件在Mac上都要能找到对应物,当然也包括OpenVPN,因为我需要使用OpenVPN连入公司。
首先先安装了xcode,一个Mac上的开发环境,然后下载了openvpn-2.2.1的源码包,解压之,configure之,make之,最后编写配置文件,将我的pkcs12证书设置 进去。一切就绪后运行,发现一个错误,那就是虚拟网卡打开失败。
由于Mac OS的内核基础设施是基于UNIX的,因此其dev目录布局和Linux是一致的,在dev目录下没有发现tap,tun等节点信息。于是就想自己用mknod建立一个, 可是却苦于不知道Mac OS下虚拟网卡的主次设备号,这个是和内核驱动程序高度相关联的。最后还是求助于万能的google,找到了一个Mac OS上的虚拟网卡驱动,其下 载地址是:tuntaposx.sourceforge.net/
安装了这个驱动之后,再看dev目录,已经内建了很多tun/tap节点了:
sh-3.2# ls -l /dev/|grep tun
crw-rw---- 1 root wheel 35, 0 11 19 11:23 tun0
crw-rw---- 1 root wheel 35, 1 11 19 11:23 tun1
crw-rw---- 1 root wheel 35, 10 11 19 11:23 tun10
crw-rw---- 1 root wheel 35, 11 11 19 11:23 tun11
crw-rw---- 1 root wheel 35, 12 11 19 11:23 tun12
…
sh-3.2# ls -l /dev/|grep tap
crw-rw---- 1 root wheel 34, 0 11 19 11:23 tap0
crw-rw---- 1 root wheel 34, 1 11 19 11:23 tap1
crw-rw---- 1 root wheel 34, 10 11 19 11:23 tap10
crw-rw---- 1 root wheel 34, 11 11 19 11:23 tap11
crw-rw---- 1 root wheel 34, 12 11 19 11:23 tap12
…
此时再次运行OpenVPN,即可成功和服务器建立隧道。
reference
推荐阅读
-
在 Mac OS 上安装 Python3
-
使用 winzip 生成的扩展名为 -ZIP 的压缩文件通常使用".zip "扩展名,其 MIME 格式为 application/zip。(推荐学习:phpstorm) 目前,ZIP 格式属于几种主流压缩格式之一,其竞争对手包括 RAR 格式和开源的 7z 格式。 从性能对比来看,RAR 和 7z 格式比 ZIP 格式压缩率更高,而 7-Zip 由于提供免费压缩工具而逐渐在更多领域得到应用。 微软从 Windows ME 操作系统开始就内置了对 zip 格式的支持,即使用户没有在电脑上安装解压软件,也可以打开和创建 zip 格式的压缩文件,OS X 和流行的 Linux 操作系统也提供了类似的 zip 格式支持。 因此,如果要在网络上传播和分发文件,zip 格式往往是最常见的选择。
-
在 Mac OS 上安装 Docker 容器的 3 种方法与区别 :Mac 版 Docker
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
在 centos 上安装 stable-diffusion 的详细步骤
-
在 Mac OS X 上使用 Wireshark 捕捉数据包
-
在搭载M2芯片的Mac上安装PHP环境的步骤指南
-
在Mac上安装ENVI的步骤指南
-
常见问题解答:在PC上安装Android TV x86 9.0的步骤与注意事项
-
超详细Nginx在Windows上的安装步骤和网站静态页面部署指南 - 了解Nginx的基础知识