Wazuh 4.12.0 Alpha 1版本Docker部署测试报告
测试环境概述
本次测试针对Wazuh 4.12.0 Alpha 1版本在Docker环境下的部署进行了全面验证,包括单节点和多节点两种部署模式。测试环境采用Ubuntu 22.04作为Docker宿主机,Amazon Linux 2023作为客户端环境。
单节点部署测试
基础环境准备
测试首先在Ubuntu 22.04系统上配置了Docker环境,确保系统参数vm.max_map_count设置为262144以满足Elasticsearch类产品的需求。随后安装了Docker 28.0.4和Docker Compose v2.12.2。
部署过程
从Wazuh官方仓库克隆v4.12.0-alpha1标签的代码后,进入single-node目录。通过generate-indexer-certs.yml脚本生成必要的SSL凭证,包括根凭证、管理员凭证、Wazuh索引器凭证、Filebeat凭证和仪表板凭证。
凭证生成完成后,使用docker-compose up -d命令启动容器组,包含Wazuh索引器、管理器和仪表板三个核心组件。启动过程顺利,所有服务均正常初始化。
功能验证
- 密码修改测试:成功修改了Wazuh索引器管理员密码,并通过securityadmin.sh脚本应用了安全配置变更。
- API密码修改:验证了Wazuh API用户密码修改功能,使用新密码成功获取认证令牌并调用API接口。
- 代理部署:在Amazon Linux 2023客户端上成功部署Wazuh代理,确认代理与管理器的连接状态及事件上报功能正常。
- 容器管理:测试了容器的停止、启动和重启操作,验证了服务的恢复能力。
多节点部署测试
集群配置
多节点测试环境包含三个Wazuh索引器节点、一个主管理器、一个工作管理器和仪表板服务。同样首先生成集群所需的SSL凭证,特别注意为每个索引器节点生成了独立的凭证。
集群部署
使用docker-compose启动多节点集群,所有服务均正常启动并形成集群。通过检查日志确认各节点间通信正常,集群状态显示为GREEN。
功能验证
- 集群密码修改:成功修改集群管理员密码,并通过主索引器节点将安全配置同步到整个集群。
- API访问:验证了多节点环境下API的可用性,确认负载均衡功能正常。
- 代理连接:部署的代理成功同时连接到主管理器和工作管理器,事件数据完整上报。
- 高可用测试:模拟单个节点故障,验证了集群的自动恢复和故障转移能力。
测试发现与建议
测试过程中发现文档中关于Docker镜像标签的说明存在歧义,实际应使用"4.12.0-alpha1"而非"v4.12.0-alpha1"。建议在正式文档中明确标注正确的标签格式,避免用户混淆。
总结
Wazuh 4.12.0 Alpha 1版本在Docker环境下的单节点和多节点部署测试均取得圆满成功。所有核心功能测试通过,包括用户认证、API访问、代理管理和集群高可用等方面。测试结果表明该版本在Docker化部署方面具有良好稳定性和可靠性,为后续的Beta测试和正式发布奠定了坚实基础。
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-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