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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00