SST 项目中如何安全地存储 Stripe Webhook 密钥
在构建现代云应用时,安全地管理敏感信息如 API 密钥和凭证是至关重要的。SST (Serverless Stack) 作为一个流行的无服务器框架,提供了 sst.Secret 资源来帮助开发者安全地管理这些敏感数据。本文将探讨如何在 SST 项目中安全地存储 Stripe Webhook 的密钥。
问题背景
当开发者使用 Stripe 的 Webhook 功能时,Stripe 会为每个 Webhook 端点生成一个签名密钥 (secret)。这个密钥用于验证来自 Stripe 的 Webhook 请求的真实性。开发者需要安全地存储这个密钥,并在应用中使用它来验证请求。
在 SST 项目中,开发者通常会使用 sst.Secret 资源来存储这类敏感信息。然而,当尝试直接从 Stripe Webhook 端点的输出中获取密钥并存储时,会遇到类型不匹配的问题,因为 stripe.WebhookEndpoint.secret 返回的是一个 Output<string> 类型,而 sst.Secret 构造函数期望的是一个普通的字符串。
解决方案
SST 团队在 v3.6.11 版本中解决了这个问题,现在开发者可以直接将 Output<string> 类型的值传递给 sst.Secret 构造函数。这使得存储动态生成的密钥变得更加简单和安全。
以下是实现这一功能的最佳实践示例代码:
// 创建 Stripe Webhook 端点
const stripeWebhook = new stripe.WebhookEndpoint("StripeWebhook", {
url: `https://${apiDomain}/subscriptions/webhook`,
enabledEvents: ["checkout.session.completed"],
});
// 安全地存储 Webhook 密钥
const stripeWebhookSecret = new sst.Secret("StripeWebhookSecret", stripeWebhook.secret);
技术细节
-
Output 类型的作用:在 SST/Pulumi 生态中,
Output<T>是一个特殊的类型,表示一个异步计算的值。它允许框架处理基础设施资源之间的依赖关系。 -
Secret 管理:SST 的 Secret 资源不仅存储值,还确保这些值在部署过程中和运行时都得到适当的保护。它们不会出现在日志或状态文件中。
-
自动依赖处理:通过直接传递
Output<string>,SST 可以自动处理资源之间的创建顺序依赖关系,确保 Webhook 端点先创建,然后才尝试存储其密钥。
最佳实践
-
命名约定:为 Secret 资源使用清晰的名称,如示例中的 "StripeWebhookSecret",以便于识别和管理。
-
访问控制:确保只有需要访问该密钥的服务或函数具有相应的权限。
-
轮换策略:虽然 Stripe Webhook 密钥通常不需要频繁轮换,但应该建立监控机制来检测密钥泄露的可能性。
-
环境分离:在不同的环境(开发、测试、生产)中使用不同的 Webhook 端点和密钥。
总结
SST 框架通过支持 Output<string> 类型的直接传递,简化了动态生成密钥的安全存储过程。这一改进使得开发者能够更轻松地构建安全的无服务器应用,特别是在与第三方服务如 Stripe 集成时。通过遵循本文介绍的最佳实践,开发者可以确保他们的应用在处理敏感信息时既安全又高效。
随着 SST 框架的持续发展,我们可以期待更多类似的改进,使基础设施即代码的实践变得更加简单和安全。
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