RAUC v1.13版本发布:嵌入式系统安全更新的重要升级
RAUC是一个专为嵌入式Linux系统设计的可靠安全更新框架,它通过双重镜像(A/B)更新机制确保系统更新的安全性和可靠性。作为嵌入式领域广泛采用的OTA解决方案,RAUC在工业控制、汽车电子、医疗设备等关键领域发挥着重要作用。最新发布的v1.13版本带来了多项重要改进和新特性,进一步提升了系统的灵活性和功能性。
核心特性:Artifact仓库支持(预览版)
v1.13版本最引人注目的新特性是引入了Artifact仓库支持。这一功能允许RAUC管理除传统系统镜像外的各种附加二进制文件,如容器镜像、虚拟机镜像、大型数据文件以及其他系统的固件镜像等。
Artifact被安装到"仓库"中,这些仓库是位于所有slot共享分区上的目录。与传统的slot更新不同,Artifact更新提供了更大的灵活性,允许在system.conf中配置的每个仓库包含多个Artifact。RAUC支持多种类型的仓库,包括文件或目录树等不同形式,仓库类型决定了Artifact的安装和管理方式。
需要注意的是,当前Artifact更新功能仍处于预览阶段。开发团队鼓励用户尝试这一新特性并提供反馈,但建议暂时不要在产品环境中完全依赖它。随着用户反馈的积累,开发团队将进一步完善和稳定这一功能。
环境变量增强
新版本显著改进了对处理程序和安装检查钩子的环境变量支持。现在,manifest元数据会通过环境变量暴露给处理程序和install-check钩子,这些变量名称与"rauc info --output-format=shell"命令使用的名称保持一致。这一改进使得脚本能够更便捷地访问更新包的元数据信息。
此外,系统变量RAUC_SYSTEM_VARIANT现在也会被传递给处理程序,为系统定制提供了更多可能性。
系统配置改进
v1.13版本在系统配置方面做了多项优化:
-
现在支持通过-C/--confopt命令行选项添加和覆盖系统配置选项,这为临时调整配置提供了便利。
-
根据UAPI Group的"配置文件规范",系统现在会在/usr/lib/rauc和/run/rauc目录中查找system.conf文件,这提高了与Linux系统标准的兼容性。
-
修复了本地符号链接在bundle中的处理问题,现在重新允许使用本地符号链接。
网络与协议支持
在网络功能方面,新版本增加了对tftp:// URL的支持,允许通过TFTP协议下载bundle(但不支持流式传输)。同时改进了下载统计功能,现在会记录下载的bundle大小,这对于评估自适应更新的效果特别有用。
错误修复与稳定性提升
v1.13版本修复了多个重要问题:
-
修正了install-same=false时失败安装的处理逻辑。
-
解决了创建自适应bundle时的文件描述符双重关闭问题,该问题在glib 2.75.0及以上版本中会导致异常终止。
-
加密bundle时现在要求至少一个接收者证书。
-
改进了网络/流支持禁用时的URL错误处理。
-
修复了CMS调试输出和Qt D-Bus类型注解问题。
测试与质量保证
开发团队在测试覆盖率和质量保证方面投入了大量工作:
-
测试覆盖率已提升至近85%,主要集中在难以测试的系统调用错误处理代码上。
-
新增了对多种场景的测试覆盖,包括PKCS#11解密、各种格式的详细状态输出、rauc write-slot命令、通过PARTLABEL/PARTUUID/UUID检测引导槽等。
-
通过QEMU模拟增强了对eMMC引导分区的测试能力。
-
改进了测试隔离和系统上下文设置,使测试更加可靠。
文档改进
文档方面也有多项改进:
-
扩展了关于槽和系统状态文件的文档内容。
-
改进了FAQ条目和qemu-test的文档说明。
-
增加了关于EXT_CSD内核回归的警告提示。
-
提高了shell和控制台部分文档的一致性。
总结
RAUC v1.13版本通过引入Artifact仓库支持,显著扩展了其应用场景,使系统能够管理更广泛的更新内容。同时,环境变量增强、配置改进和多项错误修复进一步提升了系统的稳定性和易用性。对于嵌入式Linux系统的开发者和管理员来说,这一版本提供了更强大、更灵活的安全更新解决方案,特别是在需要管理多种类型二进制文件的复杂系统中。虽然Artifact功能仍处于预览阶段,但它代表了RAUC向更通用更新框架发展的重要一步。
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。C091
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.Python058
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