Shuffle项目2.0.0版本发布:多租户工作流与全新架构升级
Shuffle是一个开源的自动化工作流平台,专注于安全编排、自动化和响应(SOAR)领域。该项目通过可视化拖拽界面让用户能够轻松构建复杂的工作流,实现不同系统间的自动化集成。2.0.0版本是该项目的重大更新,引入了多项核心功能改进和架构优化。
多租户工作流支持
2.0.0版本最显著的改进之一是引入了完整的多租户工作流支持。这意味着不同团队或组织现在可以在同一个Shuffle实例中完全隔离地运行各自的工作流,而不会相互干扰。这一特性对于企业级部署尤为重要,它使得:
- 不同部门可以拥有独立的工作空间
- 管理员可以集中管理所有租户
- 资源使用可以按租户进行统计和限制
多租户架构的实现涉及到底层数据存储、权限系统和执行引擎的全面改造,确保了租户间的严格隔离。
开源规模工作器(Scale Worker)
本次版本将Scale Worker组件完全开源,这是一个关键的后端组件,负责:
- 动态管理工作流执行资源
- 自动扩缩容计算能力
- 优化任务调度效率
开源Scale Worker意味着用户现在可以完全掌控工作流的执行环境,根据自身需求进行定制化调整,特别是在资源受限或特殊合规要求的场景下。
全新用户界面与发现机制
2.0.0版本带来了重新设计的用户界面,重点改进了:
- 工作流发现:新的分类和搜索机制让用户能更快找到所需工作流
- 应用管理:应用页面经过重新设计,操作更加直观
- 可视化体验:改进了节点连接、分支方向调整等交互细节
这些UI改进显著降低了新用户的学习曲线,同时提升了高级用户的工作效率。
增强的观测能力
在可观测性方面,2.0.0版本引入了:
- 执行追踪:更详细的工作流运行日志和指标
- 资源监控:实时查看系统资源使用情况
- 错误诊断:改进的错误报告和调试工具
这些改进使得运维团队能够更快地识别和解决问题,确保自动化流程的稳定运行。
数据存储分类与索引
新版本对数据存储系统进行了重要升级:
- 引入自动分类机制
- 支持自定义索引策略
- 优化查询性能
这些改进特别适合处理大量安全事件或日志数据的场景,使得后续的分析和检索更加高效。
表单与发布机制
2.0.0版本新增了表单生成和工作流发布功能:
- 用户可以通过直观界面创建数据输入表单
- 工作流可以打包为可分发单元
- 支持版本控制和更新管理
这一特性极大简化了工作流的共享和部署过程,特别适合需要将自动化流程交付给终端用户的场景。
技术实现细节
在底层实现上,2.0.0版本包含多项重要技术改进:
- Docker客户端升级:解决了文件描述符泄漏问题
- 证书管理:为每个工作器自动挂载证书
- 网络连接支持:完善了HTTP环境下的Git操作
- Swarm集成:默认使用Docker Swarm模式部署
这些改进提升了系统的稳定性和安全性,特别是在企业生产环境中。
部署选项扩展
除了传统的Docker Compose部署方式,2.0.0版本新增了:
- Kubernetes Helm Chart:简化在K8s环境中的部署
- Swarm优化配置:改进了Swarm集群下的运行表现
- 自动初始化:简化了集群的初始设置过程
这些部署选项的扩展使得Shuffle能够适应更广泛的基础设施环境。
总结
Shuffle 2.0.0版本标志着该项目在企业级自动化平台方向上的重要进步。通过多租户支持、开源核心组件、增强的UI和观测能力,以及更灵活的部署选项,该版本为安全团队和企业IT部门提供了更强大、更可靠的自动化工作流解决方案。特别是对于需要处理复杂集成场景和严格合规要求的组织,2.0.0版本提供了必要的架构基础和管理工具。
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 StartedRust0191
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 Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08