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。
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00