Arkime 5.6.0版本发布:网络流量分析工具的重大更新
Arkime是一款开源的网络流量分析工具,它能够捕获、索引和存储网络流量数据,并提供强大的搜索和分析功能。作为Moloch项目的继任者,Arkime在保留原有功能的基础上进行了多项改进和优化。最新发布的5.6.0版本带来了一系列新特性和改进,本文将详细介绍这些更新内容。
环境变量支持的增强
Arkime 5.6.0在环境变量支持方面做了重要改进。现在,配置变量可以使用ARKIME_default__前缀的环境变量来设置,这为容器化部署和自动化配置提供了更大的灵活性。此外,环境变量中的特殊字符(如DASH、COLON、DOT和SLASH)现在会被自动替换,这使得在复杂环境中使用环境变量配置Arkime变得更加方便。
捕获功能的改进
新版本在数据包捕获方面有几个值得关注的改进:
-
新增packet-stats命令:这个新命令提供了关于数据包捕获统计信息的详细视图,帮助管理员更好地监控捕获性能。
-
优化索引刷新机制:Arkime现在只在退出时刷新Elasticsearch索引,而不是在运行时频繁刷新,这显著提高了性能并减少了系统负载。
-
Suricata VLAN支持:当使用sessionIdTracking功能时,Arkime现在能够正确处理Suricata提供的VLAN信息,提高了网络流量分析的准确性。
-
新增命令行选项:引入了新的
--command选项,简化了命令执行方式,不再需要显式指定命令套接字。
规则引擎的增强
Arkime 5.6.0对规则引擎进行了多项改进:
-
新增_flipSrcDst动作:这个新动作允许规则在匹配时交换源和目的地址,为流量分析提供了更多灵活性。
-
新增tcp.synSet字段:现在可以在规则中使用这个新字段来匹配TCP SYN标志设置情况。
-
配置变量引用:规则现在支持使用
${configvar}语法引用配置变量的值,这使得规则编写更加动态和灵活。 -
更严格的配置检查:Arkime现在会对以
tpacketv3或simple开头的未知配置变量报错,帮助用户及早发现配置问题。
查看器改进
在用户界面方面,5.6.0版本也做了多项改进:
-
修复网络部分显示问题:解决了当session.network部分缺失时导致的错误问题。
-
主题设置持久化:修复了自定义主题设置丢失的问题,确保用户偏好能够被正确保存。
-
Elasticsearch节点信息展示:现在可以正确显示所有类型的数据节点信息,提供更全面的集群状态视图。
-
捕获统计页面修复:修正了Overload Drops/s统计数据显示不正确的问题。
安装与兼容性
Arkime 5.6.0提供了针对多种Linux发行版的预编译包,包括Amazon Linux 2023、RHEL/CentOS 7/8/9、Debian 12以及Ubuntu 20.04/22.04/24.04等。需要注意的是,从5.1.2或更早版本升级时需要进行数据库升级(db.pl upgrade)。
总结
Arkime 5.6.0版本在网络流量捕获、规则处理和用户界面等方面都带来了显著的改进。新版本增强了环境变量支持,优化了性能,并提供了更多灵活的规则处理选项。这些改进使得Arkime在网络流量分析和安全监控方面变得更加强大和易用。对于现有用户来说,升级到这个版本可以获得更好的性能和更多的功能选项;对于新用户来说,5.6.0版本提供了更完善的入门体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00