Wazuh 4.12.0 Alpha 1版本中Shuffle与Maltiverse外部API集成测试报告
测试环境搭建
本次测试基于Wazuh 4.12.0 Alpha 1版本,构建了一个完整的分布式安全监控环境。测试集群采用多节点架构,包含以下核心组件:
-
索引器集群:部署了两个Wazuh Indexer节点(node-1和node-2),均运行在Amazon Linux 2023操作系统上,采用x86_64架构。
-
管理节点集群:
- 主节点(wazuh-1):部署在Amazon Linux 2023上,作为集群控制中心
- 工作节点(wazuh-2):同样运行在Amazon Linux 2023上,负责处理部分工作负载
-
可视化组件:Wazuh Dashboard部署在主节点服务器上,提供Web管理界面。
-
代理节点:使用Ubuntu 20.04系统的代理进行终端安全监控测试。
环境搭建过程中,我们特别注意了证书管理、节点间通信配置以及服务的高可用性设置。通过Wazuh证书工具生成了完整的PKI基础设施,包括根CA、节点证书和管理员证书等,确保各组件间的TLS加密通信。
Shuffle集成测试
Shuffle是一个工作流自动化平台,本次测试验证了Wazuh与Shuffle的Webhook集成能力。测试过程分为三个关键步骤:
-
Shuffle平台配置:
- 创建了专门的Webhook接收器
- 配置了Email应用连接,特别注意使用了1.0.1版本的Shuffle Email App以确保邮件发送功能正常
- 建立了从Webhook到Email的工作流管道
-
Wazuh主节点配置: 在ossec.conf文件中添加了Shuffle集成配置,指定了Webhook URL、告警级别和JSON格式:
<integration> <name>shuffle</name> <hook_url>https://shuffler.io/api/v1/hooks/webhook_XXXXX</hook_url> <level>3</level> <alert_format>json</alert_format> </integration> -
测试验证:
- 通过sudo提权操作生成安全告警
- 确认告警成功传递到Shuffle平台
- 验证Email应用正确接收并展示了告警详情
测试结果表明,Wazuh能够实时将安全事件通过Webhook推送到Shuffle平台,并成功触发后续的邮件通知工作流。这种集成方式为安全团队提供了灵活的事件响应机制,可以将Wazuh告警无缝接入现有的自动化工作流程。
Maltiverse威胁情报集成
Maltiverse是一个威胁情报平台,本次测试重点验证了Wazuh与Maltiverse的威胁检测集成能力。测试过程如下:
-
环境准备:
- 将测试代理重新配置指向工作节点
- 在代理上配置实时监控/tmp目录
- 在工作节点添加自定义规则检测/tmp目录的文件变更
-
Maltiverse配置:
- 获取API密钥
- 在工作节点的ossec.conf中添加Maltiverse集成配置:
<integration> <name>maltiverse</name> <hook_url>https://api.maltiverse.com</hook_url> <level>3</level> <api_key>XXXXX</api_key> <alert_format>json</alert_format> </integration>
-
恶意文件检测测试:
- 在代理的/tmp目录下载EICAR测试文件
- 确认工作节点检测到文件变更并生成告警
- 验证告警通过Maltiverse集成发送
测试结果显示,Wazuh能够有效检测可疑文件活动,并通过Maltiverse集成获取威胁情报。这种集成增强了Wazuh的威胁检测能力,特别是对于已知恶意文件的识别。
测试结论与建议
本次测试全面验证了Wazuh 4.12.0 Alpha 1版本与Shuffle和Maltiverse的外部API集成能力,得出以下结论:
-
集成功能稳定性:两种集成方式在测试过程中表现稳定,能够正确处理和转发安全告警。
-
配置灵活性:集成配置简单明了,支持灵活的告警级别过滤和格式定制。
-
分布式支持:验证了在多节点环境中,集成功能可以正常工作在不同类型的节点上。
基于测试结果,我们建议:
- 在生产环境部署时,应妥善保管API密钥和Webhook URL等敏感信息
- 对于Shuffle邮件集成,需确认使用兼容的应用版本
- 考虑设置适当的告警级别过滤,避免信息过载
Wazuh的外部API集成功能为构建企业级安全运维平台提供了坚实基础,通过与其他安全工具的联动,可以构建更加全面和自动化的安全防护体系。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00