OpenCTI 6.6.7版本发布:威胁情报平台的重要更新
OpenCTI是一个开源的威胁情报平台,它能够帮助安全团队收集、存储、分析和共享威胁情报数据。作为一个功能强大的工具,OpenCTI支持多种数据格式和标准,包括STIX2.1,并提供了丰富的API和用户界面来管理复杂的威胁情报工作流。
近日,OpenCTI发布了6.6.7版本,这个版本包含了一系列重要的功能增强和错误修复,进一步提升了平台的稳定性和用户体验。让我们深入了解一下这个版本的主要改进。
核心功能增强
在6.6.7版本中,OpenCTI对数据流共享机制进行了重要改进。现在,当后台任务完成容器实体的共享操作后,系统会自动发布一个"更新"事件到数据流中。这一改进使得用户可以更清晰地了解共享操作的完成状态,特别是在处理大量数据时,能够提供更好的操作可见性。
关键错误修复
这个版本修复了多个影响用户体验的关键问题:
-
数据共享初始化问题:解决了在新平台上创建数据共享流(CSV、live、TAXII)时出现的"批量索引失败"错误,确保了数据共享功能的可靠性。
-
批量操作稳定性:修复了从容器中同时移除超过10个实体时操作失败的问题,提升了大规模数据处理的稳定性。
-
API密钥持久化:解决了API密钥续期后在刷新后不持久化的问题,确保了认证机制的可靠性。
-
图形界面体验:修复了图形布局和用户体验方面的重要回归问题,使可视化分析更加流畅。
-
订阅机制:修复了GraphQL订阅功能的中断问题,恢复了AI功能和其他依赖订阅机制的组件正常运行。
-
TAXII服务器兼容性:解决了TAXII服务器中出现的"没有可用的relation converter_2_1"错误,提升了与其他系统的互操作性。
用户体验改进
除了上述修复外,6.6.7版本还包含多项用户体验优化:
- 改进了CK Editor在源代码模式下的变更检测机制,解决了文档保存问题
- 优化了图形初始缩放行为,使可视化分析更加直观
- 修复了导出生成后的无限加载问题
- 改进了CSV映射器中作者默认值的显示方式
技术实现细节
在技术实现层面,这个版本包含了多项底层改进:
-
缓存管理:改进了API密钥续期后的缓存更新机制,确保认证状态的一致性。
-
批量处理优化:对知识图谱中的删除操作进行了顺序化处理,提高了大规模数据操作的可靠性。
-
状态管理:修正了状态更新逻辑,确保不会对不支持状态的实体应用状态变更。
-
嵌套关系:修复了与恶意软件创建嵌套关系的问题,扩展了数据建模能力。
OpenCTI 6.6.7版本的这些改进和修复,进一步提升了平台的稳定性和可用性,使其成为企业安全团队管理威胁情报的更加强大和可靠的工具。对于现有用户来说,升级到这个版本将获得更流畅的操作体验和更少的中断问题。
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