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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03