Wire-Server v2025-05-16版本发布:团队协作与安全增强
Wire-Server项目简介
Wire-Server是一款开源的企业级安全通信平台,专注于提供端到端加密的即时消息、语音通话和视频会议服务。作为企业级解决方案,Wire-Server特别注重数据隐私和安全,同时提供丰富的团队协作功能。本次发布的v2025-05-16版本带来了多项功能增强和安全改进。
核心功能更新
团队管理权限优化
新版本中,团队管理员现在可以创建频道而不必强制加入该频道。这一改进为大型组织的管理提供了更大的灵活性,允许管理员为不同部门或项目组创建专用沟通空间,而无需亲自参与每个频道的日常交流。
外部合作伙伴权限修复
针对外部合作伙伴在频道中的权限问题进行了修复。现在,外部合作伙伴作为频道管理员时,可以正常添加成员;或者当频道设置为"所有人可添加"权限时,外部合作伙伴也具备添加成员的权限。这一改进解决了跨组织协作中的权限管理痛点。
安全增强
MLS协议签名验证强化
在MLS(Messaging Layer Security)协议实现中,新增了对提交中新叶节点签名密钥的验证机制。系统现在会严格检查每个新加入客户端的签名密钥是否与其注册时提供的密钥匹配,进一步防止中间人攻击和密钥替换攻击。
S3存储安全传输
所有资产上传现在默认使用AWS S3的多部分上传功能,这不仅提高了大文件传输的可靠性,还通过分段加密增强了数据传输过程的安全性。
性能与稳定性改进
Redis复制优化
针对使用TLS连接的Redis节点,修复了复制功能的问题。现在Redis主从复制也会强制使用TLS加密,确保测试环境中的数据同步安全性与生产环境一致。同时将Redis版本升级至6.2.16,获得最新的安全补丁和性能优化。
流处理修复
修复了Servant库更新导致的懒流(lazy stream)处理问题。在某些情况下,流式响应的负载会被完整加载到应用内存中,而不是分块流式传输。此修复显著降低了内存使用峰值,特别是在处理大文件传输时。
联邦功能完善
联邦API版本V2已完成最终定稿,为跨实例通信提供了更稳定、标准化的接口规范。这一改进为大型企业部署多实例Wire-Server提供了更好的互操作性支持。
架构优化
服务路由重构
移除了proxy服务中对wai-routes和wai-predicates的依赖,将路由表和处理器迁移至Servant框架。这一架构调整使得服务路由更加类型安全,同时新增了包含模拟服务的集成测试,提高了整体可靠性。
认证模块重构
开始将ZAuth认证逻辑从brig服务迁移至wire-subsystems共享库。这是认证系统模块化改造的第一步,未来将使认证功能更易于维护和扩展。
总结
Wire-Server v2025-05-16版本在团队协作功能、安全机制和系统稳定性方面都有显著提升。特别是对管理员权限的细化和MLS协议安全性的增强,使得该版本特别适合对数据安全有高要求的企业环境。架构层面的持续优化也为系统的长期可维护性奠定了基础。
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 StartedRust0197
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 Notebook0126
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。Python06
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