Sa-Token框架中登录超时配置的优先级解析
概述
在Sa-Token权限认证框架中,登录会话的超时控制是一个核心功能。开发者可以通过多种方式配置会话的有效期,包括全局配置和登录时动态指定。本文将深入分析Sa-Token中timeout、activityTimeout参数与SaLoginModel的关系,帮助开发者更好地掌握会话生命周期管理。
超时配置的两种方式
Sa-Token提供了两种主要的会话超时配置途径:
- 全局配置:在框架配置文件中设置的默认值
- 动态配置:通过SaLoginModel在登录时指定的临时值
参数详解
timeout参数
timeout参数决定了会话的绝对有效期,即从登录时刻开始计算,无论用户是否活跃,超过这个时间后会话都会失效。
activityTimeout参数
activityTimeout参数控制会话的活跃有效期。如果用户在这段时间内没有任何操作,会话将变为临时过期状态。这个参数不会影响timeout的绝对过期时间。
配置优先级
当同时存在全局配置和SaLoginModel动态配置时,Sa-Token遵循以下规则:
-
timeout优先级:如果在SaLoginModel中明确设置了timeout值,则该值会覆盖全局配置中的timeout;如果未设置,则使用全局配置的timeout值。
-
activityTimeout独立性:activityTimeout参数独立于timeout配置,无论采用哪种方式设置timeout,activityTimeout都会按照自己的规则工作。
实际应用示例
假设框架全局配置为:
- timeout = 1天
- activityTimeout = 30分钟
当使用以下代码登录时:
StpUtil.login("10000", new SaLoginModel()
.setDevice("web")
.setTimeout(60 * 60 * 24 * 7)); // 7天
实际效果将是:
- 会话绝对有效期:7天(SaLoginModel设置优先)
- 会话活跃有效期:30分钟(仍使用全局配置)
最佳实践建议
-
明确需求:根据业务场景决定是使用全局配置还是动态配置。对于统一过期策略的应用,使用全局配置更合适;对于需要差异化处理的场景,使用SaLoginModel更灵活。
-
参数组合:合理搭配timeout和activityTimeout可以实现复杂的会话控制逻辑,例如:
- 长期会话+短期不活跃保护
- 短期会话+活跃续期机制
-
测试验证:在实际部署前,建议通过单元测试验证不同配置组合的实际效果,确保符合预期。
通过理解这些配置机制,开发者可以更精准地控制Sa-Token中的会话生命周期,为应用提供既安全又用户友好的认证体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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