Django REST Framework SimpleJWT 集成 AWS Cognito 配置指南
在 Django 项目中集成 AWS Cognito 身份验证服务时,使用 django-rest-framework-simplejwt 库是一个常见的选择。本文将详细介绍如何正确配置 SimpleJWT 以支持 AWS Cognito 的 JWT 验证流程。
核心配置参数
要使 SimpleJWT 与 AWS Cognito 协同工作,需要在 Django 的 settings.py 文件中进行以下关键配置:
SIMPLE_JWT = {
'ALGORITHM': 'RS256',
'USER_ID_CLAIM': 'username',
'USER_ID_FIELD': 'username', # 对应 Django 用户模型中的字段
'TOKEN_TYPE_CLAIM': 'token_use',
'ISSUER': 'https://cognito-idp.<aws-region>.amazonaws.com/<user-pool-id>',
'JWK_URL': 'https://cognito-idp.<aws-region>.amazonaws.com/<user-pool-id>/.well-known/jwks.json',
}
配置要点解析
-
算法选择:必须设置为 'RS256',这是 AWS Cognito 使用的标准 RSA 签名算法。
-
用户标识映射:
USER_ID_CLAIM:指定 JWT payload 中哪个字段包含用户唯一标识USER_ID_FIELD:对应 Django 用户模型中存储该标识的字段
-
Token 类型声明:
TOKEN_TYPE_CLAIM设置为 'token_use',这是 Cognito 特有的声明字段。 -
签发者验证:
ISSUER必须与 Cognito 用户池的颁发者 URL 完全匹配。 -
公钥获取:
JWK_URL指向 Cognito 提供的 JWK 集端点,用于验证 JWT 签名。
重要注意事项
-
避免设置 AUDIENCE:AWS Cognito 的访问令牌默认不包含 audience 声明,设置 AUDIENCE 会导致验证失败。
-
用户模型匹配:确保 Django 用户模型中有一个字段能够存储 Cognito 返回的用户标识(通常是 'username' 或 'sub')。
-
区域和用户池ID:配置中的
<aws-region>和<user-pool-id>需要替换为实际的 AWS 区域和用户池 ID。
视图层集成
在视图层集成非常简单,只需在视图类中添加 JWTAuthentication 即可:
from rest_framework_simplejwt.authentication import JWTAuthentication
class MySecureViewSet(viewsets.GenericViewSet):
authentication_classes = [JWTAuthentication]
# 其他视图配置...
通过以上配置,Django 应用就能够正确验证来自 AWS Cognito 的 JWT 令牌,实现安全的身份验证流程。这种集成方式既保持了 Django 原有的用户模型体系,又能够利用 AWS Cognito 强大的身份管理功能。
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