Wazuh 4.12.0 Alpha 1版本自定义品牌化功能实践指南
前言
Wazuh作为一款开源的安全监控平台,在4.12.0 Alpha 1版本中增强了自定义品牌化功能,允许用户根据企业需求定制界面元素。本文将详细介绍如何在不同场景下实现Wazuh Dashboard的品牌化定制。
环境准备
实现Wazuh品牌化定制前,需要确保以下组件已正确部署:
- Wazuh Indexer:负责数据索引和存储
- Wazuh Server:包含主节点和工作节点,处理安全事件
- Wazuh Dashboard:提供可视化界面
- Wazuh Agent:部署在被监控终端上
全局加载Logo配置
通过修改/etc/wazuh-dashboard/opensearch_dashboards.yml配置文件,可以自定义加载过程中的Logo:
opensearchDashboards.branding:
loadingLogo:
defaultUrl: "自定义默认模式Logo URL"
darkModeUrl: "自定义暗黑模式Logo URL"
配置完成后需重启Wazuh Dashboard服务使更改生效。此Logo将在用户访问Dashboard时的加载页面显示,支持根据系统主题自动切换。
仪表盘主页Logo定制
同样在配置文件中,可以设置仪表盘主页显示的Logo:
opensearchDashboards.branding:
mark:
defaultUrl: "主页默认Logo URL"
darkModeUrl: "主页暗黑模式Logo URL"
此Logo将显示在Dashboard的左上角位置,是企业品牌展示的重要区域。
健康检查页面Logo定制
通过Dashboard管理界面可上传健康检查页面的自定义Logo:
- 导航至"Dashboard管理" > "应用设置"
- 在"自定义品牌"部分上传Logo图片
- 图片将存储在
/usr/share/wazuh-dashboard/plugins/wazuh/public/assets/custom/images/目录下
健康检查Logo将在系统状态检查页面显示,有助于统一企业视觉形象。
PDF报告品牌化
Wazuh允许用户自定义生成的PDF报告中的Logo和样式:
- 在"Dashboard管理" > "应用设置"中配置报告Logo
- 生成的报告将包含自定义Logo
- 支持设置报告页眉、页脚等元素
这一功能特别适合需要向客户或管理层提交标准化报告的场景。
技术实现细节
-
文件存储:所有上传的自定义图片都存储在Wazuh Dashboard的特定目录中,确保不会影响系统核心文件。
-
主题适配:系统支持为明暗两种主题分别设置不同的Logo,提升用户体验一致性。
-
格式支持:建议使用透明背景的PNG格式图片,尺寸适中,确保在不同分辨率下都能清晰显示。
-
缓存处理:修改Logo后可能需要清除浏览器缓存才能看到更新效果。
最佳实践建议
- 保持Logo设计简洁,避免过多细节影响识别度
- 确保暗黑模式Logo在深色背景下仍然清晰可见
- 定期检查自定义链接的有效性,防止因URL变更导致Logo无法显示
- 在生产环境变更前,先在测试环境验证效果
- 记录所有自定义配置,便于后续维护和迁移
总结
Wazuh 4.12.0 Alpha 1版本提供的品牌化定制功能,使企业能够将安全监控平台与自身视觉识别系统完美融合。通过本文介绍的方法,管理员可以轻松实现从界面元素到报告文档的全方位品牌定制,既提升了产品专业度,也增强了用户的归属感和信任度。
对于需要高度定制化的企业环境,这些功能提供了极大的灵活性,同时保持了Wazuh原有的强大安全监控能力。建议用户根据实际需求,合理规划品牌化实施方案,打造独具特色的安全运营平台。
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