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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08