Froxlor 2.2.6 版本发布:开源服务器管理面板的优化与安全升级
Froxlor 是一款功能强大的开源服务器管理面板,专为系统管理员和托管服务提供商设计。它提供了直观的Web界面,用于管理Linux服务器上的网站、电子邮件账户、FTP账户、数据库等资源。Froxlor 特别适合需要为多个客户提供托管服务的环境,它能够有效地隔离不同用户的资源,同时保持系统的安全性和稳定性。
新功能亮点
本次发布的Froxlor 2.2.6版本带来了多项实用功能的增强:
-
反垃圾邮件默认设置:管理员现在可以在高级设置中为新创建的电子邮件账户预设反垃圾邮件选项的默认值,简化了批量创建邮箱时的配置流程。
-
自动化证书管理:新增了定时任务功能,能够自动为邮件和FTP服务重新配置Let's Encrypt证书,解决了证书续期后服务需要手动重新加载的问题。
-
权限优化:现在即使没有服务器设置修改权限的管理员也可以调整域名的DKIM(域名密钥识别邮件)标志,这为团队分工协作提供了更大的灵活性。
-
SSL配置改进:当系统设置中没有选择默认的SSL IP地址时,新建域名的Web服务器SSL选项将被自动隐藏,避免了无效配置。
-
多语言支持:新增了匈牙利语翻译,进一步扩大了Froxlor的国际用户群体。
安全增强措施
安全始终是Froxlor开发团队的首要关注点,本次版本包含了以下重要安全改进:
-
管理员邮箱唯一性:强制要求管理员邮箱地址必须唯一且不能与客户邮箱重复,这一变更修复了一个潜在的安全问题(GHSA-7j6w-p859-464f)。
-
内容安全输出:改进了系统输出处理,确保不会输出潜在不安全的内容,解决了另一个安全漏洞(GHSA-26xq-m8xw-6373)。
-
邮件发送安全:当管理员或经销商发送邮件时,发件人地址将自动设置为全局配置的邮箱地址,这有助于通过反垃圾邮件检查,提高邮件送达率。
关键问题修复
2.2.6版本修复了多个影响用户体验和系统稳定性的问题:
-
DNS记录显示:修复了管理员视图下域名相关的邮件和反垃圾邮件所需DNS记录显示不全的问题。
-
客户信息编辑:解决了通过API编辑客户信息时,当公司名称已设置但个人姓名为空时的数据处理问题。
-
SPF记录支持:现在支持在SPF设置中使用CIDR表示法(带斜杠的IP范围),满足了更复杂的邮件验证需求。
-
SSL重定向:修正了当Let's Encrypt已激活时创建SSL重定向的配置逻辑。
-
MySQL权限:修复了客户全局MySQL用户权限设置不正确的问题。
-
子域名创建:优化了权限检查逻辑,现在即使没有域名的完全编辑权限,只要允许创建子域名,用户仍然可以添加子域名。
-
登录链接:调整了登录链接cookie的SameSite属性设置为'Lax',确保在各种浏览器环境下都能正常工作。
-
DNS CAA记录:更正了DNS CAA条目的正则表达式验证规则。
-
日志清理:修复了客户账户删除时Web服务器日志文件未被正确清理的问题。
-
纯文本邮件:改进了纯文本邮件内容的格式处理。
技术细节优化
除了上述功能和修复外,2.2.6版本还包含了一些技术细节的优化:
-
域名标志处理:增加了当取消域名的邮件域名标志时的安全检查,防止意外配置错误。
-
DNS显示逻辑:完善了当Bind服务启用但域名未使用名称服务器时,显示必要DNS记录的判断逻辑。
-
邮件发送:优化了系统邮件的发送机制,确保使用配置的SMTP设置时不会因发件人验证问题导致发送失败。
升级建议
对于正在使用Froxlor的管理员,特别是那些提供多用户托管服务的环境,强烈建议尽快升级到2.2.6版本。新版本不仅提供了更好的安全保护,还修复了多个影响日常管理操作的问题。升级过程通常很简单,只需替换文件并运行数据库更新脚本即可。
Froxlor 2.2.6的这些改进和修复,进一步巩固了它作为专业级服务器管理面板的地位,无论是小型个人服务器还是大型商业托管环境,都能从中受益。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0123
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00