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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07