IINA播放器历史记录模块的安全编码升级实践
在macOS应用开发中,随着系统版本的迭代,苹果会逐步淘汰一些不够安全的API。最近在IINA播放器项目中,我们发现历史记录模块(HistoryController)使用了两个已被标记为废弃的方法,这引发了关于安全编码实践的讨论。
问题背景
IINA播放器使用HistoryController类来管理用户的播放历史记录。在macOS 10.14及更高版本中,苹果弃用了NSKeyedUnarchiver.unarchiveObject(withFile:)和NSKeyedArchiver.archiveRootObject(_:toFile:)这两个方法,原因是它们不支持安全编码(NSSecureCoding)协议,可能存在对象替换攻击的安全风险。
苹果推荐开发者改用支持安全编码的新API,包括:
unarchivedObjectOfClass:fromData:error:archivedDataWithRootObject:requiringSecureCoding:error:
技术实现方案
为了既消除编译器警告又提高安全性,我们对IINA的历史记录模块进行了以下改进:
-
实现NSSecureCoding协议: 首先让
PlaybackHistory类遵循NSSecureCoding协议,这是安全编码的基础。该协议要求实现两个关键方法:init?(coder:):用于解码对象encode(with:):用于编码对象
-
修改历史记录读写逻辑: 将原先直接使用废弃API的代码替换为新的安全编码方式。新的实现会:
- 在保存历史记录时,使用
archivedData方法生成数据 - 在读取历史记录时,明确指定期望解码的类类型
- 添加适当的错误处理机制
- 在保存历史记录时,使用
-
数据兼容性考虑: 虽然API发生了变化,但我们保持了数据格式的兼容性,无需进行数据库迁移。新旧版本可以无缝衔接,确保用户历史记录不会丢失。
安全编码的优势
这次升级不仅解决了技术债务,还带来了以下好处:
-
防止对象替换攻击:安全编码会验证解码对象的类类型,防止恶意构造的数据导致意外对象实例化。
-
更好的错误处理:新API提供了详细的错误信息,便于调试和问题追踪。
-
面向未来:遵循苹果最新的安全实践,为后续macOS版本兼容性打下基础。
开发者建议
对于类似的多媒体应用开发,我们建议:
-
定期检查项目中的废弃API使用情况,特别是在提升最低系统版本要求时。
-
优先采用安全编码实践,特别是处理用户数据的持久化存储。
-
在API升级时注意保持数据兼容性,避免影响用户体验。
这次IINA历史记录模块的升级展示了如何平衡技术更新与用户体验,既提高了安全性又保持了功能的连贯性,值得类似项目参考借鉴。
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