fwupd 2.0.4版本发布:USB设备支持与系统安全增强
fwupd是一个开源的固件更新工具,它允许Linux系统上的设备固件进行安全、可靠的升级。作为LVFS(Linux Vendor Firmware Service)项目的客户端组件,fwupd为各种硬件设备提供了统一的固件更新机制,包括USB设备、Thunderbolt设备、BIOS/UEFI固件等。最新发布的2.0.4版本带来了多项重要改进,特别是在USB设备支持和系统安全方面。
USB设备支持增强
本次更新对USB设备的支持进行了多项优化。首先,fwupd现在能够记录完整的USB描述符信息到仿真数据中,这为设备兼容性分析和问题诊断提供了更全面的数据支持。对于开发者而言,这意味着可以更准确地复现和调试USB设备相关的问题。
针对特定设备类型的支持也有显著改进。新增了对qc-s5gen2 USB设备的特定实例ID支持,这意味着这类设备现在能够被更准确地识别和处理。同时,fwupd现在能够正确处理Logitech Bolt接收器在bootloader模式下的恢复操作,解决了之前可能导致设备无法正常更新的问题。
在USB接口处理方面,2.0.4版本引入了一个重要的安全改进——新增了"delayed-removal"私有标志。这个改进防止了在设备移除时可能出现的意外情况,提高了固件更新过程的可靠性。此外,对于某些modem-manager设备,现在可以禁用零长度数据包(ZLP)功能,解决了与这些设备通信时可能出现的问题。
系统安全与稳定性改进
在系统安全方面,2.0.4版本带来了多项重要更新。最值得注意的是对UEFI安全启动数据库(dbx)处理的改进。现在fwupd会使用KEK(Key Exchange Key)来设置dbx供应商ID,并使用ISO日期作为Microsoft KEK的dbx版本号。这些改进使得安全启动机制的更新更加规范和可靠。
系统完整性测量也得到了增强。新版本不再保存BootOrder信息在进行系统完整性测量时,这避免了可能的安全风险。同时,fwupd现在会通知snapd关于DBX更新,确保容器化环境也能及时获得最新的安全更新。
在系统启动阶段,2.0.4版本增加了对sd_mod模块的探测,确保存储设备能够被正确识别。系统调用过滤方面也有所改进,新增了fadvise64到systemd的syscall允许列表中,提高了系统兼容性。
设备兼容性与问题修复
本次更新修复了多个设备兼容性问题。对于AMD GPU VBIOS,现在能够正确分割产品编号(P/N)用于版本识别。Nordic HID设备现在能够被正确枚举,解决了之前可能出现的识别问题。Dell扩展坞的更新包版本现在能够被正确获取,确保用户获得准确的版本信息。
在固件更新流程方面,修复了使用4096字节NVME块大小时的UEFI胶囊更新问题。对于Firehose协议设备,修正了某些modem-manager设备的填充处理。复合设备更新时,现在能够正确显示相同设备复合更新的版本信息。
网络与元数据处理
网络连接检测机制得到了改进。fwupd现在会在下载元数据前检测网络是否可达,避免了不必要的等待和错误。当网络元数据刷新失败时,会返回明确定义的返回代码,使得错误处理更加规范。
对于部分流式数据的处理也有所改进。现在能够正确解析没有尾随NUL字符的CSV流数据,提高了数据处理的鲁棒性。同时,对于复合流数据,fwupd现在不会从部分流中读取超过需要的数据量,优化了内存使用效率。
总结
fwupd 2.0.4版本在USB设备支持、系统安全、设备兼容性和网络处理等方面都带来了显著改进。这些更新不仅提高了固件更新的成功率和可靠性,也增强了系统的整体安全性。对于Linux用户而言,保持fwupd工具的最新版本是确保硬件设备获得最佳支持和安全更新的重要方式。
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