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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00