深入理解Elf项目中本地存储加密的实现与挑战
在Angular应用开发中,状态管理是一个非常重要的环节。Elf作为一个轻量级的状态管理库,提供了简洁的API和强大的功能。其中,@ngneat/elf-persist-state插件允许开发者将状态持久化到本地存储中。本文将深入探讨如何在Elf项目中实现本地存储数据的对称加密,以及在实现过程中遇到的挑战和解决方案。
本地存储加密的基本实现
在安全敏感的应用场景中,我们经常需要对存储在本地存储中的数据进行加密处理。下面是一个典型的实现方案:
import CryptoJS from 'crypto-js';
export class CryptUtil {
static readonly Key: string = 'your-secret-key';
static encrypt(value: any): string {
return CryptoJS.AES.encrypt(JSON.stringify(value), CryptUtil.Key).toString();
}
static decrypt(encryptedValue: string): any {
const bytes = CryptoJS.AES.decrypt(encryptedValue, CryptUtil.Key);
return JSON.parse(bytes.toString(CryptoJS.enc.Utf8));
}
}
然后在创建Elf store时,我们可以利用preStoreInit和preStorageUpdate钩子来实现数据的加密和解密:
const accountStore = createStore({ name }, withProps<AccountProps>({ user: null }));
const preStoreInit = (state: StoreValue<any>) => {
return CryptUtil.decrypt(state);
};
const preStorageUpdate = (storeName: string, state: Partial<AccountProps>) => {
return CryptUtil.encrypt(state);
};
export const persist = persistState(accountStore, {
key: name,
storage: localStorageStrategy,
preStoreInit,
preStorageUpdate
});
实现过程中遇到的问题
在实际应用中,开发者遇到了一个关键问题:当从本地存储读取数据时,preStoreInit接收到的参数并不是原始的加密字符串,而是被转换成了一个对象。这导致解密操作失败,因为解密函数期望接收的是一个字符串。
具体表现为:
- 存储在本地存储中的是加密后的字符串
- 当从本地存储读取时,这个字符串被转换成了一个对象
- 解密函数无法处理这种对象格式,导致解密失败
问题原因分析
这个问题的根源在于Elf的内部实现机制。Elf期望store的状态始终是一个对象,因此在从本地存储读取数据时,会尝试将存储的值转换为对象格式。对于字符串值,它会将这个字符串拆分为字符数组,然后转换为一个对象。
例如,加密字符串"U2FsdGVkX1..."会被转换为:
{
"0": "U",
"1": "2",
"2": "F",
// ...其他字符
"user": null
}
这种自动转换行为使得原始的加密字符串无法被正确识别和解密。
解决方案
临时解决方案
开发者提出了一个临时解决方案,通过从转换后的对象中提取原始字符串:
const preStoreInit = (state: StoreValue<any>) => {
const { user, ...encryptedValue } = state;
const value = Object.values(encryptedValue).join('');
return CryptUtil.decrypt(value);
};
这种方法虽然可行,但不够优雅,且依赖于Elf内部实现的细节,可能在未来的版本中失效。
更优雅的解决方案
更合理的解决方案是修改Elf的源代码,使其支持原始字符串值的处理。具体来说,可以在persist-state.ts中添加对非对象值的支持:
const loadFromStorageSubscription = from(
storage.getItem(merged.key!)
).subscribe((value) => {
if (value) {
store.update((state) => {
return merged.preStoreInit!({
...state,
isObject(value)
? {
...value,
}
: value,
});
});
}
initialized.next(true);
initialized.complete();
});
这种修改允许preStoreInit接收原始字符串值,从而可以直接进行解密操作。
最佳实践建议
-
类型安全:确保加密解密函数的输入输出类型明确,避免隐式类型转换带来的问题。
-
错误处理:在解密函数中添加适当的错误处理,防止因格式错误导致应用崩溃。
-
密钥管理:不要将加密密钥硬编码在代码中,考虑使用环境变量或其他安全方式来管理密钥。
-
性能考虑:对于大型状态对象,加密解密操作可能会影响性能,需要进行适当的优化。
-
兼容性考虑:如果修改Elf源代码,需要考虑未来升级的兼容性问题。
总结
在Elf项目中实现本地存储加密是一个常见的需求,但需要注意Elf内部对状态对象的处理机制。通过理解其工作原理,我们可以找到合适的解决方案来实现安全的状态持久化。对于这类需求,建议与社区保持沟通,或者考虑提交PR来增强官方支持,从而获得更稳定和长期的解决方案。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00