Websockify 技术文档
1. 安装指南
1.1 安装方式
1.1.1 通过源码安装
-
下载最新版本的 websockify 源码包或开发版本。
-
解压下载的文件。
-
进入解压后的目录,运行以下命令进行安装:
sudo python3 setup.py install默认情况下,安装过程中会自动安装 numpy 以提高性能。如果不需要 numpy 或无法编译 numpy,可以在
setup.py文件中删除install_requires=['numpy'],这一行,然后再运行安装命令。 -
安装完成后,可以通过运行
websockify --help来确认安装是否成功。
1.1.2 通过 Docker/Podman 安装
-
构建 Docker 镜像:
./docker/build.sh -
构建完成后,可以使用以下命令启动 websockify:
docker run -it --rm -p <port>:<container_port> novnc/websockify <container_port> <run_arguments>例如,将本地端口 7000 转发到 10.1.1.1:5902:
docker run -it --rm -p 7000:80 novnc/websockify 80 10.1.1.1:5902 -
如果需要包含文件(如
--web或--cert选项),可以通过挂载卷的方式将文件挂载到容器中:docker run -it --rm -p 443:443 -v websockify-data:/data novnc/websockify --cert /data/self.pem --web /data/noVNC :443 --token-plugin TokenRedis --token-source myredis.local:6379 --ssl-only --ssl-version tlsv1_2
2. 项目使用说明
2.1 基本功能
websockify 的主要功能是将 WebSocket 流量转换为普通 socket 流量。它接受 WebSocket 握手请求,解析后开始在客户端和目标服务器之间双向转发数据。
2.2 加密 WebSocket 连接
要使用加密的 WebSocket 连接(wss://),需要生成一个证书和密钥供 websockify 加载。默认情况下,websockify 会加载名为 self.pem 的证书文件,但可以通过 --cert=CERT 和 --key=KEY 选项指定其他文件。
生成自签名证书的命令如下:
openssl req -new -x509 -days 365 -nodes -out self.pem -keyout self.pem
为了让客户端/浏览器信任自签名证书,可以通过以下两种方式:
- 将证书安装为受信任的证书。
- 先通过 HTTPS 连接到服务器并批准证书。
2.3 其他功能
- 守护进程模式:通过
-D选项,websockify 可以在后台以守护进程模式运行。 - SSL 支持:websockify 会自动检测客户端发送的第一个字节,如果数据以
\x16或\x80开头,则表示 SSL 连接。 - 会话记录:使用
--record选项可以将客户端发送和接收的流量记录到文件中。 - 迷你 Web 服务器:通过
--web DIR选项,websockify 可以在同一端口上处理普通 Web 请求。 - 日志记录:使用
--log-file FILE选项可以将所有日志信息保存到指定文件中。 - 认证插件:通过
--auth-plugin CLASS和--auth-source ARG选项,websockify 可以要求对 WebSocket 连接进行认证。 - 令牌插件:通过
--token-plugin CLASS和--token-source ARG选项,websockify 可以根据客户端发送的令牌或主机名将客户端连接到不同的目标。
3. 项目 API 使用文档
3.1 命令行参数
--cert=CERT:指定 SSL 证书文件。--key=KEY:指定 SSL 密钥文件。--ssl-only:仅允许 SSL 连接。--web DIR:启用迷你 Web 服务器,并指定 Web 根目录。--log-file FILE:将日志信息保存到指定文件中。--auth-plugin CLASS:启用认证插件。--token-plugin CLASS:启用令牌插件。
3.2 示例
-
启动 websockify 并转发 WebSocket 流量到目标服务器:
websockify 8080 192.168.1.100:5900 -
使用自签名证书启动加密的 WebSocket 连接:
websockify --cert=self.pem --key=self.pem 8443 192.168.1.100:5900 -
启用迷你 Web 服务器并记录会话:
websockify --web /var/www --record session.log 8080 192.168.1.100:5900
4. 项目安装方式
4.1 源码安装
通过源码安装 websockify 是最常见的方式。用户需要下载源码包,解压后运行 python3 setup.py install 进行安装。
4.2 Docker/Podman 安装
对于容器化环境,用户可以通过 Docker 或 Podman 运行 websockify。首先构建镜像,然后通过 docker run 或 podman run 命令启动容器。
通过以上步骤,用户可以顺利安装并使用 websockify 项目,实现 WebSocket 流量的代理和转发。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00