最新

我构建了AegisBPF，以探索使用BPF-LSM进行确定性运行时强制执行，而不是传统的eBPF安全工具中常见的检测和警报模型。 大多数基于eBPF的运行时安全系统观察事件（tracepoints/kprobes）并异步发出警报。Aegis附加到Linux安全模块（LSM）钩子，例如： - file_open - inode_permission - bprm_check_security - socket_connect / socket_bind 这使得在系统调用完成之前，可以同步拒绝操作。 核心理念： - 基于inode的文件强制执行（在重命名时保持稳定） - 在内核中强制执行双栈IPv4/IPv6网络拒绝规则 - 明确的强制执行与审计姿态合同 - 具备能力感知的失败关闭模式 - 结构化状态转换（ENFORCE / AUDIT_FALLBACK / DEGRADED） 性能（示例基线，200k操作）： - 打开操作的p95开销约为2-3% - 连接操作的开销约为0.5-1% - 无论规则数量如何，查找映射的时间复杂度为O(1) 该项目包括： - 签名的策略包（Ed25519） - 能力/姿态报告 - 内核兼容性矩阵持续集成 - 记录的威胁模型和TOCTOU分析 我撰写了两篇技术深入文章，解释设计理念： - 第1部分 – 通过eBPF-LSM实现同步内核级拒绝 [链接](https://medium.com/@erenari27/part-1-synchronous-kernel-level-denial-via-ebpf-lsm-a-case-against-the-detect-and-alert-paradigm-281e9f54764f) - 第2部分 – 确定性强制执行合同与姿态语义 [链接](https://medium.com/@erenari27/part-2-deterministic-enforcement-contracts-in-aegisbpf-posture-semantics-failure-modes-and-7876791e8890) 欢迎讨论钩子选择的权衡、验证器约束、seccomp与LSM的比较、Landlock的比较或强制执行失败模式。

我开发这个工具是为了自己解决一个问题——在使用GPT-4/Claude时，针对那些Gemini Flash能够很好处理的提示支付费用。 InferShrink将您现有的OpenAI/Anthropic/Google客户端用三行代码封装起来。它会对提示的复杂性进行分类，并将其路由到能够处理该复杂性的最便宜的模型。使用同一提供商，避免意外切换。 工作流程如下：分类 → 压缩（LLMLingua，可选） → 检索（FAISS，可选） → 路由 → 跟踪。当所有阶段结合时，可以在混合工作负载上实现10倍以上的成本降低。 关键设计决策： • 仅限同一提供商路由。如果您使用OpenAI，它将始终保持在OpenAI上。没有跨提供商的意外情况。 • 子毫秒级的分类开销 • 可选的FAISS检索 + LLMLingua压缩，用于RAG管道 • 进行了539次测试，使用Semgrep和Trivy进行扫描 您可以通过以下命令安装：pip install infershrink 有关此工具设计思路的博客文章： [https://musashimiyamoto1-cloud.github.io/infershrink-site/blog/hidden-cost-of-llm-overprovisioning.html](https://musashimiyamoto1-cloud.github.io/infershrink-site/blog/hidden-cost-of-llm-overprovisioning.html) 欢迎随时询问有关路由启发式或压缩权衡的问题。

嗨，HN，我是Cristian，Corteza的创始人（<a href="https://corteza.app" rel="nofollow">https://corteza.app</a>）。 问题：产品团队在Slack线程、Miro白板、Confluence页面、会议等地方容易丢失决策信息。三个月后，没人记得为什么某个东西是以特定方式构建的，团队不断重新讨论同样的决策。 Corteza的解决方案：你可以在任何Slack频道中输入 `/decision [什么] [为什么] [考虑的替代方案]`，或者通过我们的Chrome扩展程序来实现。这个机器人会将决策及其完整上下文存储起来。之后，任何人都可以用自然语言提问，比如“我们为什么选择PostgreSQL？”并获得确切的决策信息，包括理由、做出决策的人和时间——即使他们使用完全不同的措辞。 技术：Node.js + Slack Bolt SDK，MongoDB Atlas向量搜索用于语义检索，Claude 3.5 Sonnet用于对话界面，Railway用于托管。 我们有一个实时演示（无需Slack）：<a href="https://app.corteza.app/demo" rel="nofollow">https://app.corteza.app/demo</a> 目前处于早期阶段——我们希望找到对这个问题感到沮丧并想尝试的产品团队。特别希望HN社区能对我们的检索方法提供反馈（我们使用OpenAI嵌入 + 余弦相似度，然后由Claude重新排序和解释）。