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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00