Anubis项目v1.18.0版本发布:引入强大的CEL表达式匹配功能
Anubis是一个开源的Web应用防火墙(WAF)和反向代理解决方案,旨在为网站和Web应用提供强大的安全防护能力。该项目通过灵活的规则配置和智能的请求分析,可以有效防御各种网络攻击,同时保持对合法用户的良好访问体验。
核心特性:CEL表达式匹配
本次v1.18.0版本最重要的更新是引入了CEL(Common Expression Language)表达式匹配功能。这一功能极大地增强了Anubis的规则配置灵活性,使管理员能够基于复杂的逻辑条件来定义安全策略。
CEL表达式允许开发者使用类似编程语言的语法来编写匹配规则,可以访问请求中的各种属性,包括:
- 请求头(headers)
- 主机名(host)
- HTTP方法(method)
- 请求路径(path)
- 查询参数(query)
- 客户端IP地址(remoteAddress)
- 用户代理字符串(userAgent)
表达式示例
简单的API访问控制规则:
- name: allow-api-requests
action: ALLOW
expression:
all:
- '"Accept" in headers'
- 'headers["Accept"] == "application/json"'
- 'path.startsWith("/api/")'
复杂的Git客户端识别规则:
- name: allow-git-clients
action: ALLOW
expression:
all:
- >-
(
userAgent.startsWith("git/") ||
userAgent.contains("libgit") ||
userAgent.startsWith("go-git") ||
userAgent.startsWith("JGit/") ||
userAgent.startsWith("JGit-")
)
- '"Git-Protocol" in headers'
- headers["Git-Protocol"] == "version=2"
其他重要改进
-
CSS变量优化:使用CSS变量减少了样式重复,提高了前端代码的可维护性。
-
原生包修复:解决了原生安装包中缺少标准库和botPolicies.yaml文件的问题。
-
导入语法增强:现在支持多级导入语法,使配置文件组织更加灵活。
-
日志格式统一:启动日志现在使用与其他日志相同的JSON格式,提高了日志系统的一致性。
-
客户端警告:新增了对禁用Cookie客户端的警告功能,帮助识别潜在问题。
-
安全默认值:默认禁用了Open Graph元数据透传,减少了信息泄露风险。
-
错误日志优化:抑制了HTTP请求中常见的"Context canceled"错误日志,减少了日志噪音。
技术实现细节
CEL表达式引擎的引入使Anubis能够在规则评估时执行复杂的逻辑判断。表达式在沙箱环境中执行,确保安全性。开发者可以组合使用各种字符串操作、逻辑运算和集合操作来构建精确的匹配条件。
表达式支持的主要操作包括:
- 字符串操作:startsWith, endsWith, contains等
- 逻辑运算:&&, ||, !
- 比较运算:==, !=, >, <等
- 集合操作:in, not in等
适用场景
新版本的Anubis特别适合以下场景:
- 需要精细控制API访问权限的应用
- 需要识别特定客户端(如Git客户端)的服务
- 需要基于复杂条件进行访问控制的系统
- 需要减少误拦截的安全敏感应用
总结
Anubis v1.18.0通过引入CEL表达式匹配功能,大幅提升了规则配置的灵活性和精确度。配合其他多项改进,这个版本为Web应用安全防护提供了更加强大和易用的工具。对于需要精细访问控制的系统管理员和开发者来说,这是一个值得升级的版本。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00