Wazuh 4.12.0 Alpha 1 中 Amazon CloudWatch Logs 集成测试报告
测试环境搭建
本次测试基于 Wazuh 4.12.0 Alpha 1 版本,构建了一个完整的端到端安全监控系统。测试环境采用 Ubuntu 24.04 LTS 作为服务器平台,部署了 Wazuh 的核心组件(Indexer、Server 和 Dashboard),同时配置了 Fedora 40/41 系统的代理节点。
服务器端硬件配置为 AMD EPYC 7R32 处理器,4 核 CPU,7.6GB 内存和 29GB 存储空间。代理节点则分别测试了 x86_64 和 aarch64 两种架构,确保跨平台兼容性。
安装与配置过程
Wazuh 核心组件通过官方提供的安装脚本一键部署,特别值得注意的是,在预发布版本测试中需要使用特定的参数来指定预发布仓库。代理节点的安装则根据操作系统类型选择对应的安装方式,Fedora 系统推荐使用 yum 仓库安装。
在配置 Amazon CloudWatch Logs 集成时,需要特别注意以下几点:
- 必须预先配置 AWS 凭证文件,包含有效的访问密钥和密钥 ID
- 需要安装 Python 3 及相关依赖包(boto3、pyarrow、numpy)
- 配置文件需明确指定 AWS 日志组和区域信息
CloudWatch 集成测试
测试主要验证了两种 AWS 日志组的集成情况:
/aws/lambda/Scan-Findings-Logger- 条目较少的日志组/aws/lambda/ec2-instance-autodeletion- 条目较多的日志组
测试发现,当日志组包含大量条目时,处理时间会显著增加。通过配置 only_logs_after 参数可以限制获取日志的时间范围,但需要注意该参数仅影响后续处理,不会减少初始获取的数据量。
高级功能验证
测试重点验证了 discard_regex 功能的使用效果。通过在配置中添加如下的过滤规则:
<discard_regex field="eventSource">.*ec2:DescribeInstances.*</discard_regex>
可以有效地过滤掉包含特定模式的事件。测试结果表明该功能工作正常,能够按预期丢弃匹配指定正则表达式的日志条目。
跨平台兼容性测试
测试覆盖了不同架构的代理节点:
- Fedora 40 x86_64
- Fedora 41 aarch64
测试发现当前 AWS 官方镜像库中缺少 Fedora 40 aarch64 的镜像,这是一个需要注意的兼容性问题。在其他测试平台上,CloudWatch 日志收集功能均表现正常。
性能观察与优化建议
在处理大型日志组时,系统表现出以下特点:
- 初始同步可能需要较长时间(观察到最长3小时)
- 内存占用相对稳定
- 后续增量同步效率较高
针对性能优化,建议:
- 合理设置
only_logs_after参数限制时间范围 - 对于生产环境,考虑使用较小的日志组或增加同步间隔
- 监控系统资源使用情况,必要时扩展硬件配置
总结
Wazuh 4.12.0 Alpha 1 中的 Amazon CloudWatch Logs 集成功能整体表现稳定,能够有效地收集和处理 AWS 环境中的日志数据。跨平台支持良好,高级过滤功能工作正常。对于大型日志组的处理效率问题,可以通过合理配置参数来优化。
建议用户在实际部署时,根据自身环境特点调整配置参数,并密切关注系统资源使用情况,以获得最佳的使用体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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