Kyverno v1.13.5 版本发布:安全修复与稳定性提升
Kyverno 作为 Kubernetes 原生的策略引擎,通过声明式的方式帮助用户管理和执行集群策略。其核心理念是"策略即代码",允许管理员使用 YAML 文件定义策略规则,这些规则可以验证、变更或生成 Kubernetes 资源。Kyverno 直接运行在 Kubernetes 集群中,无需额外的语言或工具链,大大简化了策略管理的复杂度。
近日,Kyverno 团队发布了 v1.13.5 版本,这是一个以安全修复和稳定性改进为主的维护版本。作为持续维护周期的一部分,此版本主要解决了几个关键的安全问题,并对现有功能进行了优化。
安全问题修复
本次版本最值得关注的是对多个安全问题的修复工作:
-
CVE-2025-22869 修复:通过将 golang.org/x/crypto 升级至 v0.37.0 版本,解决了潜在的加密安全问题。这个底层库的更新增强了 Kyverno 在处理加密操作时的安全性。
-
命名空间选择器绕过问题:修复了一个可能允许绕过使用命名空间选择器的策略规则匹配语句的安全问题。这类问题在复杂的多租户环境中尤为重要,确保了策略执行的严格性。
-
CVE-2025-30204 修复:通过将 jwt/v5 升级至 v5.2.2 版本,解决了 JSON Web Token 处理中的潜在问题。这对于依赖 JWT 进行认证和授权的部署尤为重要。
稳定性改进
除了安全修复外,此版本还包含了一些稳定性方面的改进:
-
验证子规则 panic 问题:修复了在执行验证子规则时可能出现的 panic 问题,提高了策略执行的可靠性。这类问题在复杂的策略验证场景中可能导致意外中断,修复后确保了更稳定的运行。
-
Go 版本升级:将基础运行时环境升级至 Go 1.23.8,带来了语言层面的性能改进和安全修复。这种底层升级虽然对终端用户不可见,但对整体系统的稳定性和效率有积极影响。
技术影响分析
从技术架构角度看,这些修复主要涉及 Kyverno 的策略执行引擎和安全组件:
- 策略匹配逻辑的修复确保了命名空间选择器在各种边界条件下的正确行为,这对于多集群管理和复杂的策略组合场景尤为重要。
- JWT 库的升级增强了 Kyverno 在处理 webhook 和外部集成时的安全性,特别是在与身份提供商交互时。
- 加密库的更新为证书管理和 TLS 通信提供了更坚实的基础,这对生产环境中的安全通信至关重要。
升级建议
对于生产环境用户,建议尽快安排升级至 v1.13.5 版本,特别是:
- 运行在多租户环境中的集群,命名空间选择器修复确保了策略隔离的有效性。
- 使用 JWT 进行集成的部署,新的 jwt/v5 版本提供了更安全的令牌处理。
- 依赖加密操作的功能,如证书轮换或敏感数据处理的场景。
升级过程可以通过标准的 Helm 或 YAML 方式进行,与之前的版本保持兼容。建议在测试环境中先验证现有策略在新版本下的行为,特别是涉及命名空间选择器的复杂策略。
总结
Kyverno v1.13.5 虽然是一个维护版本,但其安全修复对于确保集群策略的可靠执行至关重要。作为 Kubernetes 策略管理的关键组件,Kyverno 团队持续关注安全性和稳定性,这次更新再次体现了其对产品质量的承诺。对于已经使用 Kyverno 的用户,这次升级是保持环境安全的重要一步;对于考虑采用策略即代码方案的新用户,这个版本提供了更可靠的基础。
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-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
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