Microsoft Authentication Library for JS 中的 knownAuthorities 配置解析
什么是 knownAuthorities
在 Microsoft Authentication Library for JS (MSAL.js) 配置中,knownAuthorities 是一个用于指定已知身份验证机构列表的属性。这个属性主要用于定义应用程序信任的身份提供者(Identity Providers)。
适用场景
knownAuthorities 主要设计用于以下两种场景:
-
Azure AD B2C 应用:当应用程序使用 Azure AD B2C 作为身份提供者时,需要明确指定信任的 B2C 策略域。
-
非标准 Microsoft 身份提供者:当应用程序集成了非标准的 Microsoft 身份提供者服务时,需要在此列出这些自定义的授权机构。
重要注意事项
对于标准的 Azure Active Directory (Azure AD) 应用,不应该将 login.microsoftonline.com 或其他 Azure AD 别名添加到 knownAuthorities 中,原因如下:
-
自动发现机制:MSAL.js 默认已经内置了对标准 Azure AD 授权机构的发现机制,无需额外配置。
-
多租户应用限制:如果开发者希望限制应用只能被特定租户访问,不应该依赖客户端配置来实现。因为客户端验证很容易被绕过,这不是一种安全的做法。
最佳实践
对于需要限制访问权限的多租户应用,建议采用以下方法:
-
使用条件访问策略:在 Azure AD 中配置条件访问(Conditional Access)策略,这是服务端的安全控制方式。
-
令牌验证:在应用后端验证令牌中的
tid(租户ID)声明,确保请求来自允许的租户。 -
API 权限控制:在 API 层面实施租户级别的访问控制,而非在前端实现。
配置示例
虽然不推荐对标准 Azure AD 使用 knownAuthorities,但对于 B2C 场景,配置示例如下:
{
auth: {
clientId: "你的客户端ID",
authority: "https://yourtenant.b2clogin.com/yourtenant.onmicrosoft.com/B2C_1_signupsignin",
knownAuthorities: ["yourtenant.b2clogin.com"]
}
}
总结
理解 knownAuthorities 的正确使用场景对于构建安全的身份验证流程至关重要。开发者应当避免将其用于标准 Azure AD 场景,而应该采用服务端的安全控制机制来实现租户访问限制。对于 B2C 或自定义身份提供者场景,才需要合理配置此属性。
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-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