FleetDM 4.65.0版本发布:安全增强与移动设备管理新特性
FleetDM是一个开源的设备管理平台,专注于为IT团队提供强大的终端设备监控和管理能力。通过轻量级的代理程序,FleetDM能够收集设备信息、执行查询、部署策略,并帮助组织保持设备的安全合规。最新发布的4.65.0版本带来了一系列安全增强和移动设备管理方面的重要更新。
安全功能全面升级
4.65.0版本在安全方面进行了多项重要改进。首先是证书管理功能的增强,现在用户可以直接在主机详情页面和设备页面查看证书的详细信息。系统会自动收集macOS、iOS和iPadOS设备的证书信息,并将其纳入主机健康检查指标中。
在系统安全方面,团队对CPE(通用平台枚举)生成逻辑进行了优化,使其更符合安全数据源的格式标准。同时改进了软件版本与安全修复版本的比较机制,不再依赖semver标准,而是采用自定义的解析逻辑,提高了准确性。针对特定安全问题如CVE-2025-21171和CVE-2023-48795,团队还修复了PowerShell版本检测中的误报问题。
数据库层面新增了索引优化,显著降低了安全处理过程中的资源消耗。默认的并发安全处理数也从5调整为1,以避免潜在的数据库性能问题。
移动设备管理能力扩展
本次更新为移动设备管理带来了多项新功能。最值得注意的是对Android设备的实验性支持,管理员现在可以通过界面将Android设备纳入MDM(移动设备管理)体系。虽然该功能默认关闭,但可以通过设置ANDROID_FEATURE_ENABLED=1来启用。
在苹果生态方面,团队实现了通过Fleet创建的策略自动安装VPP(Volume Purchase Program)应用的能力。同时简化了App Store应用的自动安装流程,管理员不再需要手动编写策略即可实现应用的自动部署。
IT管理效率提升
4.65.0版本引入了GitOps模式的锁定功能,确保通过GitOps管理的设置不会被UI意外修改。在软件管理界面进行了重新设计,提供了更清晰、一致的用户体验。
活动管理方面,系统现在使用统一的upcoming_activities表作为活动队列的单一数据源。新增了对脚本执行、软件安装和VPP应用安装等活动的支持,并实现了活动的自动推进机制。
针对大规模部署场景,团队优化了Windows MDM配置文件分配的数据库查询,采用分批处理的方式支持超过65,000台主机的配置分发。
系统稳定性和用户体验改进
在底层架构方面,团队为数据库表显式设置了排序规则和字符集,提高了数据一致性。Redis集群现在默认启用重定向跟随功能,增强了高可用性。
用户界面进行了多处优化,包括改进表格溢出处理、保持徽章可见性、优化主机详情页的"Used by"信息展示等。针对macOS到Windows安装包创建过程,升级了Wine到10.0版本,特别提升了在M1芯片上的兼容性。
问题修复
本次更新修复了多个关键问题,包括:
- 策略软件自动化误报成功的问题
- 上传macOS安装程序可能影响软件清单收集的缺陷
- 目标选择器显示时机不当的问题
- macOS App Store应用被错误识别为Windows应用的情况
- ABM令牌团队信息被意外重置的问题
- GitOps配置中MDM配置文件相对路径解析问题
- 新旧版本fleetd兼容性问题
- GitOps清除未显式配置的macOS设置项问题
对于系统管理员,建议在升级后运行提供的SQL查询来完善VPP应用团队关联的时间戳数据,以获得更准确的历史记录。
FleetDM 4.65.0版本通过这一系列更新,进一步巩固了其作为企业级设备管理解决方案的地位,特别是在安全合规和移动设备管理方面提供了更强大的能力。对于已经部署FleetDM的组织,建议评估这些新功能如何能够优化现有的设备管理流程。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00