Apache APISIX 证书上传问题分析与解决方案
问题背景
在使用 Apache APISIX 及其 Dashboard 组件时,用户通过 Dashboard 界面上传 SSL 证书后,APISIX Pod 会出现错误日志,提示"additional properties forbidden, found validity_end"等验证错误。这个问题主要发生在 APISIX 3.9.x 版本与 Dashboard 3.0.0 版本的组合使用场景中。
问题现象
当用户通过 APISIX Dashboard 上传 SSL 证书后,系统会在 etcd 中存储包含以下字段的证书数据:
- validity_start
- validity_end
这些额外的字段会导致 APISIX 服务在启动或重新加载配置时报错,错误信息表明 etcd 中存储的数据包含了不被允许的额外属性。
根本原因
经过分析,这个问题是由于 APISIX Dashboard 与 APISIX 核心组件之间的版本兼容性问题导致的。具体表现为:
- APISIX Dashboard 3.0.0 版本在上传证书时,会自动添加证书的有效期信息(validity_start 和 validity_end)
- 这些字段不被 APISIX 3.9.x 版本的证书模式验证所接受
- 当 APISIX 从 etcd 加载这些配置时,会触发模式验证错误
临时解决方案
对于急需解决问题的用户,可以采用以下临时方案:
方案一:使用 APISIX Admin API 直接上传证书
通过 APISIX 的管理 API 直接上传证书可以避免这个问题,因为 API 不会添加额外的有效期字段。
示例命令:
CERT=$(awk 'NF {sub(/\r/, ""); printf "%s\\n",$0;}' your_domain.pem)
KEY=$(awk 'NF {sub(/\r/, ""); printf "%s\\n",$0;}' your_domain.key)
curl http://{APISIX_ADMIN_ADDRESS}:9180/apisix/admin/ssls -X POST -d '{
"cert": "'"$CERT"'",
"key": "'"$KEY"'",
"snis": ["your.domain"]
}' -H 'X-API-KEY: {your_api_key}'
方案二:手动清理 etcd 中的无效字段
对于已经通过 Dashboard 上传的证书,可以手动编辑 etcd 中的数据,删除 validity_start 和 validity_end 字段。
长期解决方案
开发团队已经在 APISIX Dashboard 的主分支中修复了这个问题。用户可以通过以下方式获取修复后的版本:
- 从源码构建 Dashboard:
git clone https://github.com/apache/apisix-docker.git
cd apisix-docker/dashboard
docker build -f Dockerfile.alpine --build-arg APISIX_DASHBOARD_TAG=master -t apisix-dashboard:master .
- 等待官方发布包含此修复的稳定版本
最佳实践建议
- 在生产环境中,建议先测试证书上传功能
- 保持 APISIX 核心组件和 Dashboard 的版本同步更新
- 对于关键业务,考虑使用 API 而非 Dashboard 进行证书管理
- 定期检查 APISIX 日志,及时发现类似配置问题
总结
证书上传问题是 APISIX 生态系统中组件版本不匹配导致的典型问题。通过理解问题的根本原因,用户可以采取适当的临时解决方案,同时等待官方修复。这也提醒我们在使用开源组件时,需要关注各组件版本间的兼容性,特别是在进行升级时,应该全面测试各项功能。
随着 APISIX 项目的持续发展,开发团队正在努力改进 Dashboard 与新版本 APISIX 的兼容性,未来版本将提供更稳定、更一致的用户体验。
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