osquery在macOS 15中alf_exceptions表查询问题解析
在macOS系统监控工具osquery的最新版本中,开发人员发现了一个与应用程序防火墙(Application Layer Firewall, ALF)相关的功能异常。当用户在macOS 15系统上执行alf_exceptions表查询时,无法获取预期的防火墙例外规则数据。
问题现象
当用户尝试通过osquery查询alf_exceptions表时,系统返回空结果集,同时在日志中记录错误信息:"Error parsing /Library/Preferences/com.apple.alf.plist: Unable to read plist: /Library/Preferences/com.apple.alf.plist"。这表明osquery无法正确读取和解析macOS系统的防火墙配置文件。
技术背景
macOS的应用程序防火墙(ALF)配置通常存储在/Library/Preferences/com.apple.alf.plist文件中。这个plist文件包含了系统防火墙的所有设置,包括允许或阻止特定应用程序网络通信的规则。在macOS 15之前,osquery通过直接读取和解析这个plist文件来获取防火墙例外规则。
问题根源
经过分析,这个问题与macOS 15系统的安全机制变更有关。新版本系统可能调整了防火墙配置的存储位置或格式,导致传统的plist文件读取方式失效。实际上,macOS 15引入了新的防火墙配置管理方式,系统现在通过system_profiler工具以JSON格式提供防火墙状态信息。
解决方案
开发团队已经针对此问题发布了修复补丁。新的实现方案改为通过system_profiler工具获取防火墙配置数据,这与macOS 15系统的设计变更保持一致。具体来说,修复后的osquery会执行"system_profiler -json SPFirewallDataType"命令来获取防火墙状态,然后解析返回的JSON数据来填充alf_exceptions表。
技术影响
这一变更不仅解决了macOS 15下的兼容性问题,还带来了以下优势:
- 更可靠的数据获取方式,不再依赖直接读取可能受保护的plist文件
- 与系统原生工具保持一致,减少未来系统升级带来的兼容性问题
- 支持更丰富的防火墙配置信息,包括全局状态、日志设置等
用户建议
对于使用osquery监控macOS系统的用户,建议:
- 升级到包含此修复的osquery版本(5.13.1之后)
- 检查现有的监控脚本,确保它们能正确处理alf_exceptions表的新数据结构
- 注意macOS系统更新可能带来的类似配置存储方式变更
这个问题展示了系统监控工具如何需要不断适应底层操作系统的变化,也体现了osquery团队对macOS系统特性的快速响应能力。
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