Wazuh 4.12.0 RC1 版本外部集成模块测试报告
Wazuh作为一款开源的安全监控平台,在其4.12.0 RC1版本中对多个外部集成模块进行了重要更新和测试验证。本文将详细介绍这些模块的测试情况,特别是AWS模块的深度测试过程。
AWS模块测试
在4.12.0 RC1版本中,AWS模块经过了全面的集成测试,所有测试用例均顺利通过。测试覆盖了以下关键功能点:
-
基础功能测试:验证了模块的基本运行机制,包括配置加载、初始化过程等基础功能。
-
自定义存储桶测试:确保系统能够正确识别和处理用户自定义的AWS S3存储桶配置。
-
日志过滤测试:通过正则表达式验证日志过滤功能的准确性。
-
日志组处理:测试系统对不同日志组的处理能力。
-
时间范围过滤:验证"only_logs_after"参数的功能,确保系统能正确按时间范围过滤日志。
-
日志解析:测试系统对AWS各种日志格式的解析能力。
-
路径处理:验证系统对不同路径格式的处理能力。
-
区域支持:测试多区域日志收集功能。
-
存储桶清理:验证从存储桶中删除日志文件的功能。
安全湖订阅功能测试
作为4.12.0版本的重要新特性,安全湖订阅功能经过了专门测试:
测试环境配置了正确的IAM角色和外部ID,确保安全认证流程正常。测试过程中,系统成功:
- 连接到指定的SQS队列
- 接收并处理安全湖发送的消息
- 正确解析Parquet格式的日志文件
- 将解析后的事件发送至分析引擎
- 完成消息队列的清理工作
日志显示系统能够正确处理不同大小的日志文件,并准确统计事件数量,证明该功能在实际环境中运行稳定。
其他模块状态
虽然4.12.0 RC1版本中其他外部集成模块(包括Azure、GCP、Docker监听器等)没有进行详细测试,但这是因为这些模块自上一个稳定版本以来没有进行代码变更。基于Wazuh团队的代码管理策略,这些模块被认为已经通过先前版本的验证,可以保持稳定状态。
结论
Wazuh 4.12.0 RC1版本的外部集成模块测试结果表明,特别是AWS模块及其新增的安全湖订阅功能表现稳定,各项测试指标均达到预期。这为即将发布的4.12.0正式版本奠定了坚实的基础,用户可期待这些功能在生产环境中的稳定表现。
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