JeecgBoot项目Shiro加密异常问题分析与解决方案
问题现象
在JeecgBoot 3.7.3版本(Spring Boot 3分支)中,本地启动时出现Shiro加密相关的异常。系统日志显示以下错误信息:
org.apache.shiro.crypto.CryptoException: Unable to correctly extract the Initialization Vector or ciphertext.
进一步查看堆栈跟踪,可以发现这是由于CookieRememberMeManager在尝试获取记住的凭证时发生的解密失败。错误根源是一个ArrayIndexOutOfBoundsException,表明在解密过程中数组拷贝操作超出了边界。
问题原因分析
这个问题的根本原因在于Shiro的CookieRememberMeManager组件在解密rememberMe cookie时出现了异常。具体来说:
-
加密机制问题:Shiro默认使用AES加密算法来加密rememberMe cookie,需要正确的初始向量(IV)和密钥。
-
Cookie数据损坏:当浏览器中的rememberMe cookie损坏或不完整时,解密过程会失败。
-
密钥不一致:如果服务器重启后加密密钥发生变化,之前生成的cookie将无法解密。
-
数组越界:从错误堆栈看,系统尝试从长度为3的字节数组中拷贝16个字节的数据,这显然是不可能的。
解决方案
针对这个问题,有以下几种解决方法:
1. 清除浏览器Cookie
最简单的解决方法是清除浏览器中与当前应用相关的所有cookie。这将移除可能损坏的rememberMe cookie,让系统生成新的有效cookie。
2. 配置固定加密密钥
在application.yml或application.properties中配置固定的加密密钥:
shiro:
rememberMe:
cipherKey: 你的固定密钥(建议32位以上)
3. 禁用rememberMe功能
如果不需要记住我功能,可以直接在配置中禁用:
shiro:
rememberMe:
enabled: false
4. 自定义RememberMeManager
实现自定义的RememberMeManager,覆盖默认的解密逻辑:
public class CustomRememberMeManager extends CookieRememberMeManager {
@Override
protected byte[] decrypt(byte[] encrypted) {
try {
return super.decrypt(encrypted);
} catch (CryptoException e) {
// 处理解密失败的情况
return null;
}
}
}
然后在Shiro配置中使用这个自定义实现。
最佳实践建议
-
生产环境:务必配置固定的加密密钥,避免服务器重启后无法解密之前的cookie。
-
开发环境:可以考虑定期清除cookie或使用无痕模式开发,减少此类问题发生。
-
错误处理:在自定义RememberMeManager中增加更健壮的错误处理逻辑。
-
密钥管理:加密密钥应该足够复杂,建议使用32位以上的随机字符串。
总结
JeecgBoot项目中出现的这个Shiro加密异常主要是由于rememberMe cookie解密失败导致的。通过清除浏览器cookie、配置固定密钥或禁用该功能都可以解决问题。在开发和生产环境中,采取适当的配置和错误处理策略可以避免此类问题的发生。
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