Redis-py 5.3.0 版本新增 Microsoft Entra ID 认证支持
Redis-py 作为 Python 生态中最流行的 Redis 客户端之一,在最新发布的 5.3.0 版本中新增了对 Microsoft Entra ID(原 Azure Active Directory)认证的支持。这一功能特别针对 Azure Cache for Redis 服务,为开发者提供了更安全、更现代化的身份验证方式。
背景与需求
在云原生应用开发中,使用托管服务凭证进行身份验证已成为最佳实践。Azure Cache for Redis 支持通过 Microsoft Entra ID 进行身份验证,这种方式相比传统的用户名/密码认证更加安全,因为它基于令牌(Token)机制,并且可以集成 Azure 的细粒度访问控制。
传统的 Redis 认证方式存在几个问题:
- 静态凭证需要定期轮换
- 凭证管理存在安全风险
- 缺乏细粒度的访问控制
Microsoft Entra ID 认证通过 OAuth 2.0 协议解决了这些问题,但需要客户端能够处理令牌的获取和刷新机制。
技术实现
Redis-py 5.3.0 通过引入新的身份提供者(IdentityProvider)接口来实现这一功能。开发者现在可以使用 Microsoft Entra ID 作为认证提供者,客户端会自动处理以下流程:
- 令牌获取:从 Microsoft Entra ID 获取初始访问令牌
- 认证过程:使用令牌作为密码进行 Redis AUTH 命令
- 令牌刷新:在令牌接近过期时自动获取新令牌
- 重新认证:使用新令牌重新进行 Redis 认证
使用方法
要使用这一新功能,开发者需要:
- 确保使用 redis-py 5.3.0 或更高版本
- 配置 Microsoft Entra ID 应用程序并获取必要的客户端ID和密钥
- 创建适当的 IdentityProvider 实例
示例代码展示了基本用法:
from redis import Redis
from redis.credentials import MicrosoftEntraTokenProvider
# 创建 Entra ID 认证提供者
credential_provider = MicrosoftEntraTokenProvider(
client_id="your-client-id",
client_secret="your-client-secret",
tenant_id="your-tenant-id"
)
# 创建 Redis 客户端
redis_client = Redis(
host="your-redis-host",
port=6380,
ssl=True,
credential_provider=credential_provider
)
优势与价值
这一功能的加入为开发者带来了几个重要好处:
- 增强安全性:消除了静态凭证存储的需求
- 简化运维:自动处理令牌刷新,无需人工干预
- 更好的集成:与 Azure 生态系统无缝协作
- 合规性支持:满足企业安全合规要求
注意事项
开发者在使用这一功能时需要注意:
- 确保应用程序在 Microsoft Entra ID 中有正确的权限配置
- 网络配置需要允许 Redis 客户端访问 Microsoft Entra ID 的令牌端点
- 令牌刷新机制会增加少量网络开销
- 首次连接可能因令牌获取而有额外延迟
总结
Redis-py 5.3.0 对 Microsoft Entra ID 认证的支持标志着该项目在云原生适配方面的重要进步。这一功能使得 Python 开发者能够更安全、更方便地使用 Azure Cache for Redis 服务,同时也为其他云服务商的身份认证集成提供了参考实现。
对于正在使用或计划使用 Azure Cache for Redis 的 Python 开发者来说,升级到 5.3.0 版本并采用这一新认证方式,将显著提升应用的安全性和可维护性。
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