VeraCrypt 1.26.18版本发布:安全性与性能的双重提升
VeraCrypt作为一款开源的磁盘加密软件,延续了TrueCrypt项目的优秀传统,为用户提供了强大的数据保护能力。它支持多种加密算法,能够创建加密卷或加密整个存储设备,包括系统分区。VeraCrypt以其高安全性和跨平台特性(支持Windows、macOS和Linux)赢得了众多注重隐私保护用户的青睐。
主要更新内容
跨平台增强功能
最新发布的1.26.18版本在多个方面进行了重要改进。首先,该版本增加了对SHA-256 x86指令集的支持,显著提升了PBKDF2-HMAC-SHA256算法的性能表现。对于ARM64平台(如Windows ARM64和Apple Silicon Mx系列macOS设备),新增了AES硬件加速支持,这将大幅提升这些设备上的加密解密速度。
Windows平台改进
Windows版本迎来了多项重要变更。最值得注意的是,1.26.18版本正式放弃了对32位Windows系统的支持,并将最低系统要求提升至Windows 10 2018年10月更新(版本1809)。这一决策反映了现代计算环境的变化趋势,使开发团队能够更专注于64位系统的优化。
在技术实现上,该版本解决了低内存情况下可能出现的驱动程序死锁问题,并修复了EFI系统检测在某些电脑上失败的问题。对于系统管理员特别重要的是,修复了Windows升级后使用EXE安装程序更新VeraCrypt时出现的"访问被拒绝"错误。EFI系统加密配置编辑器也获得了多项修复,提升了稳定性。
Linux平台安全加固
Linux版本重点关注了安全性改进。修复了两个重要的安全问题:CVE-2024-54187通过使用绝对路径执行系统二进制文件,防止了路径劫持风险;CVE-2025-23021则防止了在系统目录和PATH路径上挂载加密卷的潜在问题。此外,该版本还优化了目录打开逻辑,优先使用xdg-open并增加了备用机制,提升了用户体验。
macOS平台优化
macOS版本同样修复了上述两个安全问题,并默认禁用了屏幕截图功能(可通过--allow-screencapture CLI参数启用)。这一改变增强了安全性,防止敏感信息通过截图泄露。与Linux版本类似,macOS版也增加了对卷存在性的检查,确保挂载操作前目标卷确实存在。
技术实现细节
在底层实现上,1.26.18版本用更现代的BCryptGenRandom替代了已弃用的CryptGenRandom用于生成安全随机数。同时更新了系统熵收集机制,使用更现代的API替代过时的方法。这些改进不仅提升了安全性,也增强了软件的兼容性。
项目依赖库也获得了更新:LZMA SDK升级至24.09版本,libzip升级至1.11.2版本。这些更新带来了性能提升和潜在安全问题的修复。
总结
VeraCrypt 1.26.18版本在安全性、性能和兼容性方面都有显著提升。特别是对ARM64设备的硬件加速支持和多个安全问题的修复,使得这款开源加密工具在保护用户数据安全方面更加可靠。对于注重隐私保护的用户和系统管理员来说,升级到这个版本将获得更好的使用体验和更强的安全保障。
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。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00