Maddy邮件服务器中SMTP over TLS(465端口)的配置问题解析
问题背景
在使用Maddy邮件服务器时,用户发现一个常见的配置问题:当使用Thunderbird客户端测试时,SMTP over TLS(465端口)无法正常工作,而STARTTLS(587端口)则运行正常。通过端口扫描工具检测,发现465端口处于关闭状态,这表明Maddy服务并未在该端口上正确监听。
技术分析
默认配置差异
Maddy邮件服务器的默认配置存在一个关键点:虽然它支持多种协议和加密方式,但不同端口的服务需要显式配置才能启用。从用户提供的Docker运行命令可以看出,初始配置中并未包含465端口的映射:
podman run --name maddy \
-e MADDY_HOSTNAME=mx.domain \
-e MADDY_DOMAIN=domain \
-v /etc/maddy/:/data \
-p 25:25 \
-p 143:143 \
-p 587:587 \
-p 993:993 \
foxcpp/maddy:latest
端口功能区别
-
587端口(Submission): 这是标准的邮件提交端口,通常使用STARTTLS加密方式。Maddy默认配置中已经包含了对此端口的支持。
-
465端口(SMTPS): 这是传统的SMTP over TLS端口,使用隐式TLS加密。需要在配置中明确启用才能正常工作。
解决方案
要使465端口正常工作,需要进行以下配置调整:
- 容器端口映射:在运行容器时,必须添加465端口的映射:
-p 465:465
-
配置文件检查:确保Maddy的配置文件中包含对465端口的监听配置。通常这需要在
tls.listen部分添加相应的配置项。 -
证书验证:确认TLS证书配置正确,因为465端口要求建立连接时立即进行TLS握手,不同于587端口的STARTTLS方式。
最佳实践建议
-
完整端口映射:建议在生产环境中映射所有相关端口,包括:
- 25 (SMTP)
- 143 (IMAP)
- 465 (SMTPS)
- 587 (Submission)
- 993 (IMAPS)
-
配置验证:使用telnet或openssl客户端测试端口连通性:
openssl s_client -connect your.server:465 -quiet -
日志检查:查看Maddy的日志输出,确认服务是否在465端口上成功启动监听。
总结
Maddy作为现代邮件服务器,支持多种协议和加密方式,但需要正确配置才能发挥全部功能。465端口与587端口虽然都提供加密的SMTP服务,但工作方式不同,需要分别配置。通过合理的端口映射和配置调整,可以确保Maddy服务器支持所有标准的邮件协议和加密方式。
对于系统管理员而言,理解这些端口的工作机制和配置要求,是确保邮件服务可靠性和安全性的重要基础。建议在部署前仔细阅读文档,并进行全面的功能测试。
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