Hickory-DNS项目中TLS解析失败的排查与解决方案
问题背景
在使用Hickory-DNS库进行DNS-over-TLS查询时,开发者可能会遇到"ConnectionRefused"错误。这个问题特别出现在使用TokioAsyncResolver配置TLS默认设置时,而同样的配置在不使用TLS的情况下却能正常工作。
错误现象
当开发者尝试使用以下代码进行DNS查询时:
use hickory_resolver::{*, config::*, name_server::TokioConnectionProvider};
#[tokio::main]
async fn main() {
let async_resolver = TokioAsyncResolver::new(
ResolverConfig::default_tls(),
ResolverOpts::default(),
TokioConnectionProvider::default()
);
let resolved = async_resolver.lookup_ip("www.example.com").await.unwrap();
println!("{:?}", resolved);
}
系统会抛出错误:"ResolveError { kind: Proto(ProtoError { kind: Io(Kind(ConnectionRefused)) })"。调试日志显示更详细的错误信息:"tls error: invalid peer certificate: UnknownIssuer"。
根本原因分析
这个问题主要由两个因素导致:
-
缺少根证书存储:Hickory-DNS的TLS功能需要webpki-roots特性来提供可信的根证书存储。如果没有启用这个特性,TLS握手会失败,因为系统无法验证服务器证书。
-
Rustls版本不兼容:当开发者尝试手动配置TLS客户端时,如果使用了与Hickory-DNS不兼容的Rustls版本(如0.23版本,而Hickory-DNS 0.24.1使用的是0.21版本),会导致类型不匹配错误。
解决方案
方案一:启用webpki-roots特性
最简单的解决方案是在Cargo.toml中同时启用dns-over-rustls和webpki-roots特性:
[dependencies]
hickory-resolver = { version = "0.24.1", features = ["dns-over-rustls", "webpki-roots"] }
这样Hickory-DNS就能使用内置的根证书来验证TLS连接。
方案二:自定义TLS配置(高级)
对于需要自定义TLS配置的开发者,需要注意Rustls版本的兼容性。Hickory-DNS 0.24.1使用的是Rustls 0.21版本,因此自定义配置时也需要使用相同版本的Rustls。
use std::sync::Arc;
use rustls_0_21 as rustls; // 确保使用正确版本
let mut root_store = rustls::RootCertStore::empty();
root_store.extend(webpki_roots::TLS_SERVER_ROOTS.iter().cloned());
let config = rustls::ClientConfig::builder()
.with_root_certificates(root_store)
.with_no_client_auth();
let mut resolver_config = ResolverConfig::default_tls();
resolver_config.set_tls_client_config(Arc::new(config));
最佳实践建议
-
保持依赖版本一致:在使用Hickory-DNS时,确保所有相关依赖(特别是Rustls)使用兼容的版本。
-
优先使用内置特性:除非有特殊需求,否则建议使用库提供的默认配置和特性,如webpki-roots。
-
关注更新日志:Hickory-DNS团队正在改进TLS相关的错误提示和功能,未来版本可能会使这个问题更易于诊断和解决。
总结
DNS-over-TLS是提高DNS查询安全性的重要技术,但在实现过程中可能会遇到证书验证和版本兼容性问题。通过正确配置Hickory-DNS的特性标志和保持依赖版本一致,开发者可以轻松实现安全可靠的DNS查询功能。
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