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。
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 StartedRust0191
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 Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08