Sophos Firewall (SFOS) v22 GA re-release - 下一代防火墙

简介: Sophos Firewall (SFOS) v22 GA re-release - 下一代防火墙

Sophos Firewall (SFOS) v22 GA re-release - 下一代防火墙

Sophos Firewall | Next-gen firewall

请访问原文链接:https://sysin.org/blog/sfos-22/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


Sophos Firewall

2026 年 1 月 20 日

Sophos Firewall v22 GA re-release (Build 411) is Now Available

Sophos Firewall v22 GA 重新发布(Build 411)现已提供

随着 SFOS v22 GA(Build 411)的重新发布,我们修复了一些罕见且孤立的问题(详见下文)。如果你已经在运行 v22 GA,你将在防火墙中看到该重新发布版本作为产品内固件升级提供。建议你在方便的时候升级到 v22 GA 重新发布版本(Build 411)。

🐞 v22 GA 重新发布(Build 411)中已解决的问题

  • 当包含超过 256 个主机的主机组被分配到规则或策略时,防火墙无法将这些主机与流量进行匹配(NC-171031)。
  • 无法通过配置了 VLAN 过滤的桥接接口访问 Web 管理控制台(NC-171003)。
  • CLI 中出现如下日志:“Invalid rule id or family for update”(无效的规则 ID 或更新族)(NC-170987)。
  • 当 DNAT 规则中包含指定的出站接口时,DNAT 流量失败(NC-170970)。
  • 当终端设备从不健康状态恢复为健康状态后 (sysin),Ping 无法继续(NC-170527)。
  • 在规则重新评估期间,防火墙规则标志未被重置(NC-166150)。
  • 当默认 SNAT 规则配置为静态 IP 地址而非 MASQ 时,基于策略的 IPsec VPN 流量失败(NC-170917)。
  • 当 Sophos Central Reporting 插件中发生 mmap 损坏时,Garner 进程会重启(NC-169540)。
  • 当防火墙为同步应用控制(Synchronized Application Control)执行内部清理任务时,会生成一条“Security global configuration”的日志事件(NC-171885)。
  • 由于存在控制字符,导致无法正确获取桥接成员接口,进而引发区域误判,策略测试器因此无法找到对应规则(NC-171933)。
  • SSL/TLS 小组件和会话图表数据无法正确显示(NC-171600)。
  • 无法添加任何 SNMP 配置(NC-172197)。

2025 年 12 月 9 日

Sophos Firewall v22 现已发布

产品团队很高兴宣布 Sophos Firewall v22 已正式发布。此次更新带来了多项 “Secure by Design” 安全设计增强,以及许多用户最期待的功能。

Secure By Design(安全设计)

在过去几周里,Sophos 已经介绍了 Secure by Design 原则的重要性,以及为何需要安全产品与安全设计同样重要。Sophos Firewall v22 在前几版的安全和加固增强基础上,将 Secure by Design 提升到了全新水平。

新功能概览

Sophos 防火墙健康检查

强大的安全态势依赖于防火墙的最佳配置。Sophos 防火墙 v22 通过新增的健康检查功能,使评估和优化防火墙配置更加容易。该功能评估防火墙的数十项配置设置,并将其与 CIS 基准及其他最佳实践进行对比,即时提供潜在风险的洞察 (sysin)。它会标识所有高风险设置,并提供快速定位和处理的建议。

健康检查状态将在新的控制中心小部件中显示,完整报告可在“Firewall health check”主菜单中查看。

Sophos Firewall v22

Sophos Firewall v22

其他 Secure By Design 增强功能

  • 下一代 Xstream 架构:
    • 引入全新控制平面架构,最大化安全性和可扩展性。
    • 新控制平面实现服务模块化、隔离和容器化,例如 IPS 可像“应用”一样运行在防火墙平台上。
    • 完全分离权限以增强安全性 (sysin)。
    • SFOS 现具备自愈能力,可持续监控系统状态并自动修复偏差。

Sophos Firewall v22

  • 加固内核:
    • Sophos 防火墙 OS 的下一代 Xstream 架构基于新加固内核(v6.6+),提供增强的安全性、性能和可扩展性,充分利用当前及未来硬件。
    • 新内核提供更严格的进程隔离,更好地防范侧信道攻击及 CPU 漏洞(Spectre、Meltdown、L1TF、MDS、Retbleed、ZenBleed、Downfall)。
    • 提供加固的 usercopy、堆栈保护 (stack canaries) 和内核地址空间布局随机化 (KASLR)。
  • 远程完整性监控:
    • v22 集成 Sophos XDR Linux 传感器 (sysin),实现系统完整性实时监控,包括未授权配置、规则导出、恶意程序执行尝试、文件篡改等。
    • 帮助安全团队更快速识别、调查和响应攻击。
    • 提供其他防火墙厂商未提供的额外安全能力。
  • 全新反恶意软件引擎:
    • 集成最新 Sophos 反恶意软件引擎,通过全球声誉查询实现对新威胁的零日实时检测。
    • 利用 SophosLabs 海量云数据库,文件每 5 分钟或更短更新一次。
    • 引入 AI/ML 模型检测,并提供增强的遥测数据以加速新威胁分析。

其他安全性与可扩展性增强

  • 主动威胁响应日志改进:为入站和出站流量增加细粒度日志控制,减少暴力破解等重复事件噪声;支持将入站转发流量与第三方威胁源、NDR Essentials 和 MDR 威胁源匹配,提高外部威胁检测。
  • XML API 访问控制增强:API 配置移动到“Administration”主菜单,可按 IP、IP 范围和网络对象定义访问,支持最多 64 个对象(之前为 10 个 IP)。
  • NDR Essentials 改进
    • 日志威胁评分 - 主动威胁响应日志中包含分配的威胁评分,便于可视化、报告和分析。
    • 数据中心选择 - 可选择 NDR Essentials 流分析的数据中心区域,满足地域或数据驻留需求,默认选择最低延迟区域。
  • 即时网页类别与搜索关键词告警
    • 可根据浏览意图或行为触发即时告警。
    • 帮助学校从被动报告转向主动防护,保护学生安全,并符合最新数字标准。
  • 设备访问支持 TLS1.3:Web 管理控制台、VPN 门户和用户门户现支持 TLS 1.3,加强加密。

简化管理与使用体验增强

  • 导航性能优化:可直接访问任意菜单或标签,无需等待当前页面加载完成,加快 UI 导航速度。
  • TLS1.3 支持:Web 管理控制台 (sysin)、VPN 门户和用户门户支持 TLS 1.3。
  • 通过 SNMP 监控硬件:新增热门功能,支持下载 MIB 文件;监控指标包括 CPU 温度、NPU 温度、风扇转速、电源状态(XGS 2100 及以上)、以及所有支持 PoE 的 XGS 型号的 PoE 测量(XGS 116(w) 除外)。
  • NTP 服务器设置:新安装默认设置为 “Use pre-defined NTP server”
  • XFRM 接口 UI 改进:增加分页支持,可搜索和筛选,大量 XFRM 接口管理更便捷。
  • sFlow 监控:基于设置的采样率提供实时数据,支持任何物理接口及子接口(Alias、VLAN 等),最多 5 个采集器。
  • 蜂窝 WAN:新增 CLI 命令 system cellular_wan show 检查信号强度。

SG UTM9 功能

随着 Sophos UTM 即将于 2026 年 7 月 30 日退役,一些迁移客户可受益于以下新增功能:

  • WAF 多因素认证支持:为集成 Web 应用防火墙提供 MFA,增强安全性和功能一致性。
  • WAF 安全性增强:会话由 SFOS 管理,而非客户端 cookie,更难被劫持;当无需认证转发时,可完全卸载到 SFOS,减少内部 WAF 服务器暴露。
  • OTP 令牌 SHA 256/512 支持:提供给 Google 和 Sophos 应用及管理员用户的选项。
  • 审计日志:提供全面审计日志,记录前后变化以满足最新 NIS2 标准。第一阶段支持防火墙规则、对象和接口的详细审计日志,可从 Diagnostics > Troubleshooting Logs > configuration-audit.log 下载,XML 用于标注前后变化。

下载地址

Sophos Firewall OS (SFOS) 22.0 GA re-release (Build 411) (2026-01-20)

v22 GA re-release 取代了之前的 v22 GA,修复了若干罕见且孤立的已知问题。

  • 请访问:https://sysin.org/blog/sfos-22/
    • SFOS v22 Hardware Devices for XGS Series
    • SFOS v22 Software Appliances for bare metal machines
    • SFOS v22 Virtual Appliances for VMware/KVM/Xen/Hyper-v

更多:Firewall 产品链接汇总

目录
相关文章
|
5月前
|
Linux API iOS开发
阿里云/本地零基础部署 OpenClaw 喂饭级指南+ WhatsApp接入与大模型API配置及常见问题解答
OpenClaw(原Clawdbot/Moltbot)是一款开源的AI智能体框架,具备自然语言交互、自动化任务执行、多渠道对接等核心能力,可广泛应用于个人办公提效、轻量化自动化操作、跨平台消息交互等场景。其最大优势在于无需复杂的编程基础或服务器运维经验,零基础用户即可通过阿里云云端部署或本地电脑(MacOS/Linux/Windows11)部署的方式快速启用,同时支持对接阿里云千问大模型API或免费大模型Coding Plan API,轻松实现与WhatsApp的无缝对接,完成消息自动回复、指令执行等个性化需求。
938 0
|
3月前
|
安全 Linux iOS开发
Cisco Secure Client (AnyConnect) 5.1.17.3382 发布下载
Cisco Secure Client (AnyConnect) 5.1.17.3382 (macOS, Linux, Windows & iOS, Android) - 远程访问客户端
1900 1
Cisco Secure Client (AnyConnect) 5.1.17.3382 发布下载
|
6月前
|
人工智能 数据可视化 API
2026年阿里云轻量服务器搭建并使用OpenClaw(Clawdbot)极简流程
在AI Agent全面爆发的2026年,OpenClaw(原Clawdbot、Moltbot)凭借开源免费、功能强大、可定制化的优势,成为个人与轻量团队打造专属智能助手的首选工具。与传统聊天机器人不同,OpenClaw不仅能实现自然语言对话,更能通过自然语言指令执行文件处理、日程管理、信息检索、跨工具协同等实际任务,堪称“7×24小时不下班的AI数字员工”,大幅降低重复劳动成本。
6233 3
|
6月前
|
BI 数据安全/隐私保护 开发者
Quick BI使用案例11:基于钉钉组织架构,按角色精准同步“店长”账号至 Quick BI
本案例针对连锁足疗品牌Quick BI账号泛滥问题,提供钉钉组织同步精准管控方案:通过钉钉开发者后台配置应用“可见范围”,仅同步店长等必要角色,避免席位浪费与权限混乱,提升管理效率。(239字)
|
7月前
|
存储 人工智能 并行计算
AI算力选择终极指南:如何像配电脑一样,配好你的大模型“发动机”
博主maoku为你详解AI算力配置:用“计算—存储—网络”铁三角模型,通俗类比GPU显存(油箱)、互联带宽(传动轴)、存储分层(粮仓+传送带)等核心概念;提供四步实战指南——需求诊断、GPU选型、部署模式(云主机/容器/裸金属)、成本优化,并教你看懂利用率、吞吐量与真实成本。助你告别CUDA OOM焦虑,高效构建高性价比大模型环境。
1521 12
|
Java
轻松上手Java字节码编辑:IDEA插件VisualClassBytes全方位解析
本插件VisualClassBytes可修改class字节码,包括class信息、字段信息、内部类,常量池和方法等。
1218 6
|
10月前
|
缓存 边缘计算 调度
阿里云CDN如何选择加速区域?
阿里云CDN加速区域选择直接影响访问速度与成本。本文详解“中国内地”“全球(含内地)”“全球(不含内地)”三大区域差异,结合用户分布、合规及成本因素,提供精准选型策略,助您优化加速效果,提升用户体验。
|
机器学习/深度学习 数据采集 搜索推荐
Python基于深度学习算法实现图书推荐系统项目实战
Python基于深度学习算法实现图书推荐系统项目实战
|
机器学习/深度学习 人工智能 JSON
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析
大型语言模型(LLM)的发展迅速,从简单对话系统进化到能执行复杂任务的先进模型。然而,这些模型的规模和计算需求呈指数级增长,给学术界和工业界带来了挑战。为解决这一问题,知识蒸馏技术应运而生,旨在将大型模型的知识转移给更小、更易管理的学生模型。Google Research 提出的“Distilling Step-by-Step”方法不仅减小了模型规模,还通过提取推理过程使学生模型在某些任务上超越教师模型。该方法通过多任务学习框架,训练学生模型同时预测标签和生成推理过程,从而实现更高效、更智能的小型化模型。这为资源有限的研究者和开发者提供了新的解决方案,推动了AI技术的普及与应用。
950 19
知识蒸馏方法探究:Google Distilling Step-by-Step 论文深度分析