Hickory-DNS 中 DNS over HTTPS 功能的使用注意事项
在 Rust 生态系统中,Hickory-DNS 作为 Trust-DNS 的继任者,提供了强大的 DNS 解析功能。近期有开发者反馈在从 Trust-DNS 迁移到 Hickory-DNS 时遇到了 DNS over HTTPS (DoH) 功能失效的问题。
问题现象
开发者在使用 Hickory-DNS 0.24.1 版本时,发现原本在 Trust-DNS 中正常工作的 DNS over HTTPS 功能突然失效。具体表现为使用某知名 CDN 服务商的 HTTPS DNS 服务时,解析请求返回了 ProtoError { kind: Io(Kind(InvalidData)) } 或网络不可达的错误。
问题根源
经过分析,这个问题源于 Hickory-DNS 0.24.x 版本中一个重要的设计变更:在使用 DNS over HTTPS 功能时,必须显式指定信任的根证书来源。这与之前的 Trust-DNS 实现有所不同,也是许多开发者容易忽略的关键点。
解决方案
要解决这个问题,开发者需要在 Cargo.toml 中为 hickory-resolver 添加以下任一特性:
webpki-roots- 使用 WebPKI 项目提供的根证书native-roots- 使用操作系统提供的根证书
正确的依赖声明应如下所示:
[dependencies]
hickory-resolver = { version = "0.24.1", features = ["dns-over-https-rustls", "webpki-roots"] }
技术背景
DNS over HTTPS 作为一种加密的 DNS 查询方式,需要建立 TLS 安全连接。TLS 连接的安全性依赖于对服务器证书的验证,而验证过程需要信任的根证书作为锚点。Hickory-DNS 为了提高灵活性和明确性,将这个选择权交给了开发者,而不是隐式地使用某种默认配置。
版本演进
在 Hickory-DNS 0.25.0-alpha.1 及后续版本中,开发团队已经改进了这个问题,使根证书来源的选择更加明确和直观。但在 0.24.x 版本中,这个要求相对隐蔽,导致不少开发者遇到类似问题。
最佳实践
- 在使用 DNS over HTTPS 功能时,始终明确指定根证书来源
- 考虑升级到最新版本以获得更好的开发体验
- 在生产环境中,根据实际需求选择适合的根证书来源:
webpki-roots提供跨平台一致性native-roots则与操作系统证书存储集成
通过理解这些细节,开发者可以更顺利地迁移到 Hickory-DNS 并充分利用其提供的现代 DNS 功能。
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-X1-7BSpark-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