CTFd 3.7.7版本发布:安全竞赛平台的新特性与优化
项目简介
CTFd是一个开源的网络安全竞赛平台,广泛应用于各类CTF(Capture The Flag)比赛。它提供了完整的比赛管理系统,包括题目发布、队伍管理、积分排名等功能,是网络安全竞赛组织者的首选工具之一。
版本亮点
用户注册安全增强
3.7.7版本引入了一个重要的安全特性——邮箱域名黑名单功能。现在,管理员可以设置不允许注册的邮箱域名列表,有效防止特定域名的用户参与比赛。这一功能特别适用于:
- 限制企业内部竞赛只允许公司邮箱注册
- 阻止已知的垃圾邮件或临时邮箱注册
- 实现更精细化的参赛者身份控制
题目提示功能优化
在CTF比赛中,题目提示(hint)是帮助参赛者解决难题的重要辅助手段。新版本对提示系统进行了两项改进:
-
提示标题功能:现在可以为提示添加一个标题,在用户解锁提示前显示。这允许出题人提供关于提示内容的简要说明,帮助用户判断是否需要解锁该提示。
-
使用体验提升:通过预展示提示标题,参赛者可以更明智地决定是否花费积分解锁提示,提高了比赛资源的利用效率。
管理后台改进
对于管理员用户,3.7.7版本增强了文件管理功能:
- 题目文件现在会显示存储的sha1校验和,方便管理员:
- 验证文件完整性
- 快速比对不同版本的文件
- 确保比赛文件的唯一性和一致性
API性能优化
在性能方面,新版本对计分板API进行了重要修复和优化:
-
修复了
/api/v1/scoreboard/top/<count>端点的缓存问题,现在不同count值能够正确缓存。 -
增加了安全限制,该API最多只返回前50名账户,防止可能的性能问题和滥用。
-
优化了缓存机制,提高了在高并发情况下的响应速度。
依赖项更新
作为常规维护的一部分,3.7.7版本更新了以下关键依赖:
-
gunicorn升级至23.0.0:Python WSGI HTTP服务器的重要更新,带来了性能改进和bug修复。
-
Jinja2升级至3.1.6:模板引擎的更新,提高了模板渲染的安全性和效率。
技术意义与应用场景
CTFd 3.7.7版本的发布体现了项目团队对安全性和用户体验的持续关注。邮箱黑名单功能特别适合企业内训和教育机构的私有比赛场景,而提示系统的改进则提升了公开比赛的参与体验。
对于大型比赛组织者,API的性能优化意味着更稳定的服务能力,特别是在比赛结束前的冲刺阶段,当大量用户频繁刷新计分板时,系统能够保持流畅响应。
文件校验和的展示虽然是一个小改动,但对于需要严格审核比赛内容的大型赛事非常重要,它简化了题目验证流程,降低了出错概率。
升级建议
对于正在使用CTFd的组织,建议在测试环境验证后尽快升级到3.7.7版本,特别是:
-
计划举办企业内训或限制性比赛的用户,可以利用新的邮箱黑名单功能。
-
经常使用文件题目的比赛,将受益于文件校验和的可视化。
-
预期参赛人数较多的赛事,应该利用API性能优化带来的稳定性提升。
升级过程通常只需替换代码文件并重启服务,但建议提前备份数据库和自定义配置,确保平稳过渡。
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 StartedRust0199
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 Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07