AWS SDK Rust 中预签名 URL 因校验和头导致验证失败问题分析
2025-06-26 18:58:56作者:羿妍玫Ivan
问题背景
在 AWS SDK Rust 的 S3 客户端使用过程中,开发者在生成预签名 URL 时遇到了签名验证失败的问题。具体表现为当使用 presigned() 方法生成预签名 URL 后,实际请求时服务端返回错误,提示存在未签名的头信息 x-amz-checksum-mode。
问题现象
当开发者使用以下代码生成预签名 URL 时:
let presigning_config = PresigningConfig::builder()
.expires_in(get_expiry())
.build()
.unwrap();
let request = client
.get_object()
.bucket(bucket_name)
.key(key)
.request_payer(RequestPayer::Requester)
.presigned(presigning_config)
.await?;
生成的预签名 URL 会包含两个头信息:
x-amz-request-payerx-amz-checksum-mode
然而,在 URL 的签名部分 X-Amz-SignedHeaders 参数中,只包含了 x-amz-request-payer,而没有包含 x-amz-checksum-mode。这导致实际请求时,S3 服务端会拒绝请求并返回错误:
<Error>
<Code>AccessDenied</Code>
<Message>There were headers present in the request which were not signed</Message>
<HeadersNotSigned>x-amz-checksum-mode</HeadersNotSigned>
</Error>
技术分析
预签名 URL 的工作原理
预签名 URL 是 AWS S3 提供的一种授权机制,允许客户端生成一个有时效性的 URL,任何持有该 URL 的用户都可以执行指定的操作,而无需 AWS 凭证。其核心原理是:
- 客户端使用 AWS 凭证对请求进行签名
- 签名信息作为查询参数附加到 URL 上
- 服务端收到请求后,使用相同的算法验证签名
问题根源
经过分析,问题的根本原因在于 SDK 的内部处理顺序:
PreSigningInterceptor拦截器执行签名操作HttpResponseChecksumDecorator随后添加了x-amz-checksum-mode头
这种处理顺序导致校验和头被添加到了已签名的请求之后,从而破坏了签名的完整性。正确的处理顺序应该是所有需要签名的头信息都必须在签名前添加完毕。
解决方案
临时解决方案
在官方修复发布前,开发者可以采用以下临时解决方案:
- 设置校验和计算模式为
WhenRequired:
let s3_config = Config::builder()
.request_checksum_calculation(RequestChecksumCalculation::WhenRequired)
.build();
let client = aws_sdk_s3::Client::from_conf(s3_config);
- 手动移除校验和头:
let mut request = client.get_object()...presigned().await?;
request.headers_mut().remove("x-amz-checksum-mode");
官方修复
AWS SDK Rust 团队已经修复了这个问题,修复方案主要调整了内部处理顺序,确保所有需要签名的头信息都在签名前添加。该修复已包含在 1.75.0 版本中发布。
最佳实践建议
- 当使用预签名 URL 时,应当检查生成的 URL 中
X-Amz-SignedHeaders参数是否包含了所有必要的头信息 - 对于生产环境,建议始终使用最新版本的 SDK
- 在测试预签名 URL 时,应当模拟真实客户端的请求方式,包括所有必要的头信息
总结
这个问题展示了 AWS 签名机制对请求完整性的严格要求。任何在签名后对请求的修改都会导致验证失败。开发者在使用预签名 URL 时应当注意请求的最终形态是否与签名时的形态一致。AWS SDK Rust 团队对此问题的快速响应也体现了开源社区的优势,开发者遇到类似问题时可以及时升级 SDK 或采用临时解决方案。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
411
3.16 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
664
323
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
676
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
659
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
342
146