StackRox 4.7.0-rc.2 版本深度解析:安全扫描与云原生防护新突破
StackRox作为一款领先的Kubernetes原生安全平台,专注于为容器化应用提供端到端的安全防护。最新发布的4.7.0-rc.2版本在安全扫描能力、证书管理、身份认证等多个关键领域实现了重要突破,进一步强化了云原生环境的安全防护体系。
核心安全扫描能力升级
本次版本最显著的改进在于Scanner V4扫描引擎的全面增强。该引擎现已默认在所有安全集群中启用,并优先于传统的StackRox Scanner使用。特别值得注意的是新增了对RHCOS(Red Hat CoreOS)节点扫描的支持,能够检测RHCOS容器化镜像本身的漏洞,这一特性对于运行在OpenShift平台上的工作负载尤为重要。
Scanner V4通过引入报告缓存机制,有效减少了节点上的重复IO负载,提升了大规模集群环境下的扫描效率。同时,扫描引擎新增了对openSUSE Leap 15.5和15.6的支持,同时取消了对较旧版本15.0和15.1的兼容性。
在漏洞数据处理方面,Scanner V4现在采用Red Hat的VEX文件替代原有的CVE映射数据,用于处理官方Red Hat镜像中非RPM内容相关的漏洞信息。此外,还引入了Red Hat的CSAF数据源,显著改善了Red Hat安全公告(RHSA/RHBA/RHEA)数据的一致性问题。
安全增强与运维优化
4.7.0-rc.2版本在证书管理方面实现了重要改进,为通过Helm或Operator安装的安全集群提供了自动服务证书续期功能,大大简化了证书管理的运维负担。
日志管理方面新增了可配置的日志轮转功能,通过ROX_LOGGING_MAX_ROTATION_FILES和ROX_LOGGING_MAX_SIZE_MB环境变量,管理员可以灵活控制日志轮转文件的数量和大小,更好地满足不同规模部署的日志管理需求。
身份认证体系也得到增强,新增了针对Azure集成的短期令牌认证支持,可与Azure工作负载或托管身份配合使用,提升了云服务集成的安全性。
架构与功能演进
本次版本移除了Collector的Slim模式,该功能自4.5版本起已被标记为弃用。所有配置为使用slim模式的集群将自动转换为使用常规Collector镜像。相关的环境变量RELATED_IMAGE_COLLECTOR_SLIM和RELATED_IMAGE_COLLECTOR_FULL已被移除,统一由RELATED_IMAGE_COLLECTOR替代。
值得注意的是引入了集群注册密钥(CRS)作为初始化包的继任者,用于安全集群的注册流程。这一变化为集群注册提供了更加安全和灵活的方式。
在技术预览阶段,新增了SBOM(软件物料清单)生成功能,可通过UI、CLI(roxctl image sbom)和API(/api/v1/images/sbom)从Scanner V4镜像扫描生成SBOM。该功能目前仅支持通过Central执行的扫描,未来版本将扩展支持委托扫描。
兼容性与配置调整
Azure集成方案进行了重要调整,API响应中的数据结构从docker字段变更为azure字段。虽然旧格式仍被支持,但已被标记为弃用。使用委托扫描功能的用户需注意,当创建或更新Azure镜像集成时,需要确保Central和安全集群均已升级至ACS 4.7或更高版本。
对于OpenShift用户,系统现在会为OCP全局拉取密钥自动生成独立的镜像集成配置,该功能可通过设置ROX_AUTOGENERATE_GLOBAL_PULLSEC_REGISTRIES为false来禁用。
总结
StackRox 4.7.0-rc.2版本通过多项技术创新,进一步巩固了其在云原生安全领域的领先地位。从增强的漏洞扫描能力到简化的证书管理,从改进的日志处理到更安全的身份认证机制,这些改进共同构建了更加全面、高效的容器安全防护体系。特别是Scanner V4的成熟和RHCOS扫描支持的加入,使得该平台能够更好地服务于企业级Kubernetes环境的安全需求。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00