Обновить

Самые быстрорастущие репозитории на GitHub за эту неделю:

1. NousResearch/hermes-agent (+51.0K звёзд)
Агент, который развивается вместе с вами.

🔗 https://github.com/nousresearch/hermes-agent

2. forrestchang/andrej-karpathy-skills (+37.4K звёзд)
Файл CLAUDE.md для улучшения поведения Claude Code, основанный на наблюдениях Андрея Карпаты о проблемах LLM при программировании.

🔗 https://github.com/forrestchang/andrej-karpathy-skills

3. microsoft/markitdown (+14.5K звёзд)
Инструмент на Python для конвертации файлов и офисных документов в Markdown.

🔗 https://github.com/microsoft/markitdown

4. thedotmack/claude-mem (+12.4K звёзд)
Плагин для Claude Code. Автоматически фиксирует работу Claude во время кодинга, сжимает данные с помощью ИИ и добавляет релевантный контекст в будущие сессии.

🔗 https://github.com/thedotmack/claude-mem

5. multica-ai/multica (+10.6K звёзд)
Open-source платформа управляемых агентов. Позволяет делать код-агентов участниками команды: назначать задачи, отслеживать прогресс и накапливать навыки.

🔗 https://github.com/multica-ai/multica

6. shiyu-coder/Kronos (+6.7K звёзд)
Базовая модель для понимания «языка» финансовых рынков.

🔗 https://github.com/shiyu-coder/Kronos

7. addyosmani/agent-skills (+6.4K звёзд)
Инженерные навыки продакшен-уровня для кодинг-агентов.

🔗 https://github.com/addyosmani/agent-skills

8. OpenBMB/VoxCPM (+6.3K звёзд)
TTS-модель без токенизатора для мультиязычной генерации речи, дизайна голоса и реалистичного клонирования.

🔗 https://github.com/OpenBMB/VoxCPM

9. virattt/ai-hedge-fund (+4.7K звёзд)
ИИ-команда хедж-фонда (агенты-аналитики и трейдеры).

🔗 https://github.com/virattt/ai-hedge-fund

10. HKUDS/DeepTutor (+4.5K звёзд)
Персонализированный обучающий ассистент на базе ИИ-агента.

🔗 https://github.com/HKUDS/DeepTutor

Мой телеграм канал Хак Так: https://t.me/Xak_Tak ⬅ подпишитесь, чтобы не пропустить все самое важное!

Теги:
Всего голосов 3: ↑2 и ↓1+1
Комментарии0
ЕЖЕДНЕВНЫЙ ХАБР | 9 АВГ 2026
Охват48K

Что видит DPI, и что мы попробовали у него отобрать

Последние пару лет я работаю в команде, которая занимается устойчивой к DPI (Deep Packet Inspection) туннельной инфраструктурой — по сути, альтернативой классическому VPN.

Когда начинаешь заниматься этим всерьёз, довольно быстро обнаруживается неприятная вещь: шифрование само по себе давно уже не означает, что трафик нельзя распознать. Содержимое пакетов действительно можно скрыть, но пакет от этого не исчезает. У него остаются размер, направление, время появления; соединение начинается с определённой последовательности сообщений, TLS-клиент определённым образом представляется серверу, поток ускоряется, замедляется, замирает и снова начинает передавать данные.

Для человека всё это выглядит как куча зашифрованных байтов. Для классификатора — как вполне пригодный набор признаков.

Поэтому значительная часть нашей работы в итоге свелась не к тому, чтобы «зашифровать ещё сильнее», а к более практическому вопросу: что именно видит наблюдатель снаружи и по каким признакам он может решить, что перед ним не браузерный трафик, а туннель.

Об этом и расскажу.

Что видит DPI, и что мы попробовали у него отобрать

Публикации