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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
FreeSql功能强大的对象关系映射(O/RM)组件,支持 .NET Core 2.1+、.NET Framework 4.0+、Xamarin 以及 AOT。C#00
项目优选
收起
deepin linux kernel
C
27
14
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
657
4.26 K
Ascend Extension for PyTorch
Python
502
606
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
939
862
Oohos_react_native
React Native鸿蒙化仓库
JavaScript
334
378
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
390
284
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
123
195
openGauss kernel ~ openGauss is an open source relational database management system
C++
180
258
🎉 (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
1.54 K
891
昇腾LLM分布式训练框架
Python
142
168