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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00