osquery在macOS 15 Sequoia中ALF表失效问题分析
在macOS系统监控工具osquery的最新使用中发现,运行在macOS 15 Sequoia(Beta 5版本)上的osquery 5.12.1版本中,ALF(Application Layer Firewall)表查询返回空结果。这一问题引起了开发者社区的关注,本文将从技术角度深入分析问题原因及可能的解决方案。
问题现象
ALF表是osquery中用于查询macOS应用层防火墙状态的重要虚拟表。在正常情况下,执行SELECT * FROM alf;应该返回防火墙的配置信息,包括是否启用、日志记录状态等。但在macOS 15系统中,这一查询却返回空结果集。
根本原因分析
经过技术团队调查,发现问题根源在于macOS 15系统架构变更。传统上,osquery通过读取/Library/Preferences/com.apple.alf.plist文件来获取防火墙配置信息。然而在macOS 15中,这一配置文件已被移除,导致查询机制失效。
技术解决方案探索
技术团队提出了几种可能的解决方案:
-
系统分析器方案:通过
system_profiler SPFirewallDataType命令可以获取防火墙信息,这与获取SecureBoot状态的方案类似。这一方法在macOS 14和15上均有效,输出内容包括:- 防火墙模式
- 应用程序例外规则
- 日志记录状态
- 隐身模式设置
-
替代配置文件方案:团队曾尝试寻找替代的plist文件(如之前考虑的
/Library/Preferences/com.apple.security.firewall.plist),但发现这些文件在macOS 15中并未包含所需的防火墙信息。 -
命令行工具方案:虽然
socketfilterfw工具可以直接获取防火墙状态,但由于osquery的安全策略限制,不推荐使用执行外部命令的方式。
实现建议
基于现有分析,推荐采用系统分析器方案进行实现。这种方案具有以下优势:
- 无需执行外部二进制文件,符合osquery的安全模型
- 在多个macOS版本上保持兼容性
- 提供的信息全面且结构化
实现时需要注意处理系统分析器的输出格式,将其转换为osquery表的标准数据结构。同时应考虑添加版本检测逻辑,针对不同macOS版本采用适当的查询方式。
总结
macOS系统升级带来的架构变化常常会影响系统监控工具的正常工作。osquery团队正在积极应对macOS 15中的这一变更,计划通过更健壮的实现方式来恢复ALF表功能。这一案例也提醒我们,在系统监控工具开发中需要持续关注底层系统的演进,建立灵活的适配机制。
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-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- 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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00