Apache APISIX中实现mTLS请求的Lua插件开发指南
2025-05-15 09:26:13作者:吴年前Myrtle
背景介绍
在微服务架构中,mTLS(双向TLS)认证是一种重要的安全机制,它要求通信双方都提供证书进行身份验证。Apache APISIX作为云原生API网关,支持通过Lua插件扩展功能。本文将详细介绍如何在APISIX中开发一个能够发起mTLS请求的Lua插件。
问题现象
开发者在尝试从自定义插件发起mTLS请求时遇到了证书验证失败的问题。具体表现为:
- 使用TLSv1.3时出现错误:"SSL_read() failed (SSL: error:1409445C:SSL routines:ssl3_read_bytes:tlsv13 alert certificate required:SSL alert number 116)"
- 使用TLSv1.2时出现错误:"SSL routines:SSL3_READ_BYTES:sslv3 alert bad certificate:s3_pkt.c:1259:SSL alert number 42"
通过Wireshark抓包分析确认,客户端证书确实没有被正确发送。
根本原因
APISIX使用了特定分支的lua-resty-http库(api7-lua-resty-http),其API与上游的ledgetech版本存在差异:
- 上游版本使用
ssl_client_cert和ssl_client_priv_key参数 - APISIX分支版本使用
ssl_cert和ssl_key参数
这种API差异导致了开发者按照常规方法配置时,证书无法被正确加载。
解决方案
正确的mTLS请求实现方式
在APISIX插件中发起mTLS请求时,应使用以下参数格式:
local ok, err = httpc:connect {
ssl_cert = cert_in_pem_format, -- 客户端证书(PEM格式)
ssl_key = key_in_pem_format, -- 客户端私钥(PEM格式)
}
完整示例代码
local http = require("resty.http")
local core = require("apisix.core")
local function mtls_request()
local httpc = http.new()
-- 读取证书和私钥文件
local cert = assert(io.open("/path/to/client.crt"):read("*a"))
local key = assert(io.open("/path/to/client.key"):read("*a"))
-- 建立mTLS连接
local ok, err = httpc:connect {
scheme = "https",
host = "target.server",
port = 443,
ssl_verify = true,
ssl_cert = cert,
ssl_key = key,
}
if not ok then
core.log.error("failed to connect: ", err)
return
end
-- 发送请求
local res, err = httpc:request {
path = "/api/endpoint",
method = "GET",
}
-- 处理响应
if not res then
core.log.error("failed to request: ", err)
return
end
-- 读取响应体
local body = res:read_body()
httpc:close()
return body
end
最佳实践
- 证书管理:将证书和私钥存储在APISIX的机密存储中,而不是直接硬编码在插件代码里
- 错误处理:完善各种错误情况的处理逻辑,包括连接失败、证书验证失败等
- 性能优化:考虑复用HTTP连接,避免每次请求都建立新的TLS握手
- 日志记录:详细记录请求过程中的关键信息,便于问题排查
注意事项
- 确保提供的证书和私钥是PEM格式
- 检查证书链是否完整,中间CA证书需要包含在客户端证书中或服务器信任链中
- 验证服务器证书时,确保APISIX信任服务器的CA证书
- 不同版本的APISIX可能使用不同版本的lua-resty-http库,注意API兼容性
总结
在Apache APISIX中实现mTLS请求需要注意其使用的特定分支的HTTP库的API差异。通过正确使用ssl_cert和ssl_key参数,开发者可以成功构建安全的mTLS通信。理解底层库的实现细节对于解决此类问题至关重要,这也体现了APISIX插件开发中需要关注框架特定实现的特点。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
暂无简介
Dart
798
197
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
779
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
Ascend Extension for PyTorch
Python
376
446
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1