CrowdSec 1.6.6版本发布:集中式白名单与安全增强
CrowdSec是一个开源的入侵检测与预防系统,它通过分析日志数据来检测恶意行为,并自动生成动态的IP黑名单。该系统采用分布式架构,能够协同多个节点共享安全情报,为企业和个人提供轻量级的安全防护解决方案。
集中式白名单管理
本次1.6.6版本最重要的改进是引入了集中式白名单功能。在之前的版本中,白名单需要单独部署到每台机器上,管理起来相当不便。新版本允许用户直接从本地API(LAPI)或控制台统一管理白名单规则,这些规则会自动应用到本地决策、应用安全规则(AppSec)和黑名单中。
集中式白名单相比之前分散管理的方式有几个显著优势:
- 统一管理:不再需要为每台机器单独配置白名单
- 即时生效:规则变更立即应用到所有相关组件
- 简化维护:减少了配置文件的部署和同步工作
值得注意的是,随着这一功能的引入,旧有的capi_whitelists_path配置项已被标记为弃用,建议用户尽快迁移到新的集中式白名单系统。
安全功能增强
JA4H支持
新版本增加了对JA4H的支持,这是一个用于HTTP请求哈希计算的工具。JA4H能够为每个HTTP请求生成独特的指纹,帮助安全人员更有效地识别和分类网络流量模式。这一功能特别适用于应用安全(AppSec)场景,可以增强对恶意HTTP请求的检测能力。
数据库连接安全改进
在数据库连接方面,1.6.6版本新增了两个重要功能:
- 自定义CA支持:用户现在可以为PostgreSQL/MySQL连接指定自定义的CA证书
- mTLS认证:支持双向TLS认证,进一步增强了数据库连接的安全性
这些改进使得CrowdSec能够更好地适应企业级安全环境,满足严格的合规要求。
性能与稳定性优化
本次发布还包含多项性能优化和稳定性改进:
- 并行化测试:hubtest现在支持并行执行,提高了测试效率
- 日志优化:减少了leaky bucket组件的日志冗余,避免日志文件过大
- 错误处理:改进了多个组件的错误处理逻辑,增强了系统稳定性
- 资源管理:修复了AppSec中事务未及时关闭的问题,防止资源泄漏
开发者相关变更
对于开发者而言,本次更新包含了一些值得注意的变化:
- 代码重构:多个组件进行了上下文传播(context propagation)重构
- 依赖更新:升级到了Go 1.24.1版本,并更新了多个第三方依赖
- 构建优化:改进了构建系统,包括Windows平台的构建支持
总结
CrowdSec 1.6.6版本通过引入集中式白名单管理、增强安全功能以及优化系统性能,进一步提升了产品的实用性和可靠性。这些改进使得CrowdSec更适合在企业环境中部署,能够为用户提供更强大、更灵活的安全防护能力。
对于现有用户,建议尽快升级到1.6.6版本,特别是那些需要管理多台机器白名单规则的用户,集中式白名单功能将显著简化管理工作。同时,也建议用户开始规划从旧的capi_whitelists_path配置迁移到新的白名单系统。
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