Logto v1.25.0 发布:多语言邮件模板与增强的认证安全功能
Logto作为一个现代化的身份认证解决方案,在最新发布的v1.25.0版本中带来了多项重要更新,主要集中在邮件模板的多语言支持和认证安全功能的增强上。这些改进不仅提升了用户体验,也为开发者提供了更灵活的配置选项。
多语言邮件模板支持
本次更新最显著的特性是引入了多语言邮件模板的自定义功能。通过管理API,管理员现在可以为不同类型的邮件(如登录验证、密码重置等)创建和管理多种语言的模板。系统会根据用户的偏好语言自动选择合适的模板,如果找不到匹配的语言版本,则会回退到默认模板。
邮件模板的选择逻辑遵循以下优先级:
- 首先匹配请求中检测到的用户偏好语言
- 其次匹配登录体验设置中的默认语言
- 最后使用邮件连接器设置中的默认模板
管理API新增了多个端点来支持这一功能,包括批量创建/更新模板、按条件筛选模板列表、删除模板等操作。值得注意的是,部分邮件连接器(如Postmark和HTTP Email)由于模板管理在提供商端,不支持从Logto读取模板,而是将用户语言偏好作为参数传递给提供商。
邮件模板上下文变量增强
为了支持更个性化的邮件内容,v1.25.0引入了丰富的上下文变量。开发者现在可以在模板中使用以下变量:
- 用户信息(姓名、主邮箱等)
- 应用信息(名称、logo等)
- 组织信息(名称、logo等)
- 邀请人信息(适用于组织邀请场景)
这些变量根据不同的使用场景(登录、注册、密码找回等)提供相应的上下文信息,使邮件内容更加贴合实际使用场景。
密码加密方案改进
在安全方面,v1.25.0新增了对传统密码哈希算法的支持。开发者现在可以将password_encryption_method设置为"legacy",并使用JSON格式存储包含哈希算法、参数和加密密码的信息。这一改进特别适用于需要从其他密码哈希算法迁移的场景,尤其是那些包含盐值的算法。
JSON格式示例如下:
["hash_algorithm", ["argument1", "argument2", ...], "expected_hashed_value"]
其中"@"符号代表输入密码,系统会根据配置的算法和参数进行验证。
其他重要改进
-
SAML断言响应增强:为SAML应用断言响应添加了AuthnStatement,提高了兼容性。
-
TOTP密钥长度调整:将TOTP密钥生成长度调整为20字节(160位),遵循RFC 6238和RFC 4226的建议标准,提供更好的安全性同时保持与现有验证器的兼容性。
-
组织角色管理API增强:支持通过角色名称和ID两种方式管理组织用户角色,提高了API的灵活性。
-
分页行为修复:修复了组织角色范围API的分页行为,现在当不提供分页参数时会返回所有范围,提供分页参数时则支持可选分页。
-
Handlebars模板处理增强:改进了邮件模板中的变量处理逻辑,支持嵌套属性访问(如organization.branding.logoUrl),并优雅处理缺失属性。
总结
Logto v1.25.0通过引入多语言邮件模板支持和增强的安全功能,进一步提升了其作为身份认证解决方案的灵活性和安全性。这些改进使开发者能够为用户提供更本地化、更个性化的认证体验,同时也为系统集成提供了更多可能性。特别是对传统密码哈希算法的支持,为系统迁移提供了便利,体现了Logto对实际应用场景的深入理解。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01