Cartography项目0.102.0版本发布:新增Entra ID支持与AWS增强功能
Cartography是一个开源的云资产图谱工具,它通过收集和分析云环境中的各种资源数据,构建出完整的资产关系图谱。该项目采用Neo4j图数据库作为后端存储,能够直观展示云环境中各类资源之间的关联关系,是云安全态势管理和资产可视化的重要工具。
本次发布的0.102.0版本带来了几项重要更新,主要包括对Microsoft Entra ID(原Azure Active Directory)的初步支持,AWS EC2路由表功能的增强,以及AWS区域同步的精细化控制。这些新特性进一步扩展了Cartography在多云环境中的覆盖范围和管理能力。
Microsoft Entra ID初步支持
0.102.0版本首次引入了对Microsoft Entra ID(原Azure Active Directory)的支持。Entra ID是微软提供的企业级身份和访问管理服务,在混合云和多云环境中扮演着核心角色。
新版本实现了对Entra ID租户和用户基础信息的同步功能,能够将以下关键数据导入图数据库:
- 租户基本信息(如租户ID、域名等)
- 用户账户详情(包括用户主体名称、显示名等基础属性)
这一功能为安全团队提供了更完整的身份视角,使得他们能够在资产图谱中同时看到云资源和访问这些资源的身份主体,为权限分析和访问控制审计奠定了基础。
AWS EC2路由表支持增强
在AWS支持方面,新版本增加了对EC2路由表的同步功能。路由表是VPC网络中的关键组件,决定了网络流量的转发路径。
通过这一增强,Cartography现在能够:
- 捕获VPC中的路由表配置信息
- 记录路由表中的路由规则
- 建立路由表与子网、网关等资源的关联关系
这一功能使得网络拓扑可视化更加完整,安全团队可以更清晰地了解VPC内部的网络流量走向,有助于发现潜在的网络隔离问题或异常路由配置。
AWS区域同步精细化控制
0.102.0版本还引入了一个实用的新特性——AWS区域同步的精细化控制。用户现在可以通过--aws-regions参数指定需要同步的特定AWS区域,而不是默认同步所有可用区域。
这一改进带来了几个显著优势:
- 性能优化:避免同步不必要的区域数据,减少同步时间和资源消耗
- 合规性支持:可以精确控制哪些区域的数据会被采集,满足数据驻留等合规要求
- 聚焦分析:针对特定区域进行深入分析时,可以减少无关数据的干扰
技术实现特点
从技术实现角度看,这些新特性体现了Cartography项目的几个设计原则:
- 模块化架构:新功能的添加保持了模块化的设计,Entra ID和AWS的增强都是通过独立的模块实现
- 增量同步:保持了Cartography一贯的增量同步机制,只同步发生变化的数据
- 关系建模:新增的数据都注重建立正确的资源间关系,充分发挥图数据库的优势
应用场景与价值
这些新特性在实际环境中可以支持多种安全用例:
- 跨云身份分析:结合Entra ID和AWS IAM数据,分析跨云的身份权限配置
- 网络路径分析:利用路由表数据,追踪特定子网或实例的网络可达性
- 合规审计:针对特定区域的数据进行合规性检查,如确保某些资源只部署在指定区域
对于安全运营团队而言,这些增强使得Cartography能够提供更全面的云环境可视化,支持更深入的威胁建模和风险分析。
总结
Cartography 0.102.0版本通过引入Entra ID支持和增强AWS功能,进一步巩固了其作为多云环境资产图谱工具的地位。这些更新不仅扩展了工具的覆盖范围,也提升了在复杂云环境中的实用性。随着云环境的日益复杂,这种能够提供全局视角和精细控制的工具将变得越来越重要。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00