Haskell实现的Tor网络服务
一款用Haskell编写的Tor匿名网络协议实现
该项目是Galois公司于2015年推出的,基于标准三条款BSD许可证进行分发。在深入了解之前,让我们先来了解一下什么是Tor。
Tor是什么?
Tor是一个安全的洋葱路由网络,提供匿名访问公共互联网以及一系列Tor内部隐藏服务的能力。更多关于Tor的信息,可以访问官方网站 https://www.torproject.org 获取详细信息。
项目概述
这个存储库包含了用Haskell语言编写的一个Tor实现。最终目标是成为一个完全符合标准的Tor实现,但目前还缺少一些特性:
- 隐藏服务的支持和实现。
- 正确的流量控制支持。
- 统计数据更新功能。
- 目录服务器支持。
然而,作为入口节点(即创建到互联网主机的匿名连接)的功能已经相当稳定并经过良好测试。中继和出口节点的支持已实现,但测试并不充分。无论您有何种使用场景,请在GitHub问题跟踪系统上报告遇到的任何问题。
构建haskell-tor
该库使用cabal作为构建系统,适用于Mac、Unix和HaLVM基础的安装。Windows平台可能也适用,只是尚未进行测试。
网络栈理解
haskell-tor库设计为可使用两种内置网络栈,或者使用您提供的第三方网络栈。这由两个标志控制,对应于两个网络栈:
network保证haskell-tor包含标准的基于套接字的network库默认设置。hans保证haskell-tor包含Haskell Network堆栈的默认设置,它基于原始以太网帧运行。
默认情况有点复杂,以下是各种配置及其含义的表格:
| 默认情况 | 平台 | network |
hans |
含义 |
|---|---|---|---|---|
| 普通 | True | True | 支持hans和network |
|
| * | 普通 | True | False | 只支持network |
| 普通 | False | True | 只支持hans |
|
| 普通 | False | False | 无内建网络栈支持(自行提供) | |
| HaLVM | True | True | 仅支持hans(忽略network) |
|
| * | HaLVM | True | False | 无内建网络栈支持(见上一行) |
| HaLVM | False | True | 仅支持hans |
|
| HaLVM | False | False | 无内建网络栈支持(自行提供) |
标准Cabal约束
如果您在HaLVM上构建,建议添加约束--constraint "tls +hans",--constraint "tls -network" 和 -f-network 到您的构建标志。如果为了避免GPL许可证的牵扯而选择使用integer-simple库,应该添加约束--constraint "cryptonite -integer-gmp",--constraint "scientific +integer-simple" 和 --constraint "scientific < 0.3.4.1"。
建议使用沙箱环境保持所有东西整洁有序。
注意事项
这是一个早期的Tor实现,未经同行评审。对于真正需要高度匿名性的用户,强烈建议在本版本接受适当扩展、测试和审查之前使用官方主线客户端。
使用方法
如同大多数Haskell包,这个包可以作为库使用,也可以作为二进制包。当前的可执行二进制文件将简单地从whatismyip.com获取示例IP。将其扩展以支持更广泛的功能是一个开放的问题。
通过参与这个项目,您可以帮助推动一个安全、隐私保护的开源网络工具的发展,并参与到对现有匿名网络协议的理解与改进中来。无论是为了个人学习还是实际应用,haskell-tor都是值得探索的选择。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00