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。
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