OpenZiti 1.3.0版本发布:路由器数据模型与高可用性增强
OpenZiti是一个开源的零信任网络解决方案,它通过软件定义边界(SDP)技术为企业提供安全的网络连接。不同于传统网络连接方式,OpenZiti实现了"默认不信任"的安全模型,所有连接都需要经过严格的身份验证和授权。最新发布的1.3.0版本带来了多项重要改进,特别是在路由器数据模型和高可用性方面的增强。
路由器数据模型正式启用
1.3.0版本中最显著的改进是默认启用了路由器数据模型功能。这项功能允许控制器将精简版的数据模型分发到各个路由器节点,使路由器能够在本地做出部分授权和认证决策,而不必每次都向控制器查询。
这种分布式决策机制带来了两个主要优势:
- 降低了控制器的负载,因为部分决策可以在路由器本地完成
- 提高了系统的响应速度,减少了因网络延迟带来的性能影响
虽然这项功能之前已经存在,但经过充分测试和验证后,现在被设为默认启用状态。对于特殊场景下需要禁用此功能的用户,可以通过控制器的配置文件进行调整:
routerDataModel:
enabled: true # 控制是否启用路由器数据模型相关功能
logSize: 10000 # 缓冲的模型变更数量,用于增量更新
值得注意的是,当控制器运行在高可用性(HA)模式下时,路由器数据模型功能是强制启用的,因为它是HA功能正常运行的基础。
高可用性改进
1.3.0版本对高可用性功能进行了多项优化:
-
简化配置:路由器不再需要显式配置
ha: enabled标志,现在路由器能够自动适应连接的是HA还是非HA控制器,大大简化了部署配置。 -
模式切换安全处理:当控制器从支持路由器数据模型变为不支持(或反之)时,连接的路由器会安全地关闭,确保能够以正确的模式重新启动,避免潜在的不一致问题。
-
健康检查增强:新增了对raft共识算法状态的检查能力。现在通过访问
/health-checks/controller/raft端点,可以获取控制器的raft状态信息,包括是否启用了raft以及当前节点是否为leader。当raft已启用但查询的控制器不是leader时,会返回429状态码。
示例响应:
{
"data": {
"checks": [...],
"healthy": true
},
"raft": {
"isLeader": true,
"isRaftEnabled": true
}
}
其他重要改进
-
OIDC登录改进:修复了使用默认端口和localhost时OIDC配置的404问题,以及处理不支持的媒体类型时的panic问题。
-
内存泄漏修复:解决了路由器API会话管理器的内存泄漏问题。
-
事件系统增强:
- 为所有事件添加了源ID标识
- 调整了集群事件的命名空间
- 移除了连接事件中的URI/参数信息
-
外部身份映射:增强了外部身份映射不匹配时的日志记录,便于问题排查。
-
存储层改进:支持在标识符段(第一个点之后)中使用破折号,提高了标识符的灵活性。
总结
OpenZiti 1.3.0版本通过默认启用路由器数据模型和增强高可用性功能,进一步提升了系统的性能和可靠性。这些改进使得OpenZiti更适合大规模企业部署,特别是在需要高可用性和低延迟的场景下。同时,各种bug修复和功能增强也提升了产品的稳定性和用户体验。
对于现有用户,建议评估升级到1.3.0版本,特别是那些需要高可用性功能的用户。新用户则可以直接从1.3.0版本开始,享受这些改进带来的好处。
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