Moloch项目停止对EL7和Ubuntu 18的支持及迁移构建系统
随着技术的不断演进,开源网络流量分析工具Moloch近期宣布了一项重要变更:项目将正式停止对CentOS/RHEL 7(EL7)和Ubuntu 18.04 LTS操作系统的支持,并计划将构建系统从Screwdriver迁移至GitHub Actions。这一决策反映了现代软件开发中保持技术栈更新的必要性。
背景与决策考量
EL7和Ubuntu 18.04作为曾经的主流Linux发行版,已经逐步进入生命周期末期。Red Hat Enterprise Linux 7已于2020年进入维护阶段,而Ubuntu 18.04 LTS也将在2023年结束标准支持。继续维护这些老旧系统的支持不仅增加了开发团队的负担,还可能阻碍新功能的引入和安全更新的实施。
同时,构建系统的迁移工作体现了项目对持续集成/持续交付(CI/CD)实践现代化的追求。GitHub Actions作为GitHub原生支持的CI/CD解决方案,与代码仓库深度集成,能够提供更高效的构建流水线和更丰富的生态系统支持。
技术实施方案
项目团队制定了清晰的迁移路线图:
-
构建系统迁移:首先在GitHub Actions上建立完整的构建和测试流程,确保新系统的功能完整性。这项工作已在PR #2685中完成。
-
旧系统清理:保留Screwdriver上最后的EL7构建配置作为过渡,逐步移除其他所有构建配置。同时清理S3存储桶中的旧构建产物,仅保留EL7相关文件。
-
文档更新:修改下载页面,明确标注仅EL7版本可获得最终支持,帮助用户理解支持策略的变化。
对用户的影响与建议
这一变更意味着:
- 仍在使用EL7或Ubuntu 18.04的用户应考虑升级操作系统至受支持的版本
- 项目将能够更专注于新特性和安全改进的开发
- 构建过程将更加高效和可靠
对于企业用户,建议评估升级路径,可以考虑迁移至RHEL 8/9或Ubuntu 20.04/22.04 LTS等现代发行版。这些新版本不仅能够继续获得Moloch的支持,还能提供更好的性能、安全性和功能特性。
未来展望
这次技术栈的更新是Moloch项目持续发展的重要一步。通过精简支持范围,开发团队可以将更多精力投入到核心功能的优化和创新上。同时,构建系统迁移为项目带来了更现代化的开发工作流,为后续的持续集成和自动化测试奠定了更好的基础。
随着网络安全威胁的不断演变,保持基础架构的现代化对于像Moloch这样的安全工具至关重要。这次变更虽然带来短期的适应成本,但从长远看将使用户获得更优质、更安全的流量分析体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00