NodeBB中ActivityPub协议的安全接收策略优化
背景介绍
在NodeBB论坛系统中,ActivityPub协议的实现是其支持联邦化(Fediverse)功能的核心部分。当系统接收到来自其他联邦实例的活动(Activity)时,需要对这些活动进行有效性验证,以确保系统不会盲目接受任何内容,从而提升系统的安全性和资源利用率。
问题分析
在ActivityPub协议中,常见的活动类型包括Create(Note)
和Announce(Note)
等。这些活动可能来自任何联邦实例,但并非所有活动都与本地系统相关。盲目接收和处理所有活动会导致:
- 不必要的资源消耗(存储、计算等)
- 潜在的安全风险(垃圾信息、恶意内容等)
- 数据冗余和混乱
解决方案设计
针对这一问题,NodeBB团队设计了一套精细化的活动接收策略,根据活动类型和上下文关系进行过滤。
Create(Note)活动处理策略
对于创建笔记类型的活动,系统会进行以下检查:
-
作者关系验证:检查活动对象(
object.attributedTo
)是否被至少一个本地用户关注。如果是,则接受该活动,因为这表示内容来自用户关心的来源。 -
主题链验证:通过
getParentChain()
方法检查活动是否属于一个已存在的主题讨论链。如果能够追溯到本地存在的主题ID(tid),则接受该活动,确保讨论的连贯性。 -
提及验证:检查活动对象的标签(
object.tag
)中是否包含对本地用户的提及。如果活动直接提及了本地用户,则应该被接收以确保用户能收到相关通知。
Announce(Note)活动处理策略
对于转发(boost)类型的活动,验证策略有所不同:
-
本地内容验证:首先检查被转发内容的对象ID(
object.id
)是否是本地已有的帖子。如果是,则接受该转发活动,因为这表示本地内容正在被传播。 -
转发者关系验证:如果被转发内容不是本地的,则检查转发者(
actor
)是否被至少一个本地用户关注。只有来自被关注用户的转发才会被接收,减少无关内容的传播。
实现考量
最初考虑使用中间件(middleware)模式统一处理这些验证逻辑,但由于不同活动类型的验证条件存在较大差异且相互排斥,最终决定在各自的控制器中分别实现这些检查逻辑。
特别值得注意的是,对于Announce(Note)
类型活动,需要确保它能够跳过某些适用于Create(Note)
的检查条件,保持转发功能的正常工作。
技术价值
这种精细化的接收策略为NodeBB带来了多重好处:
- 性能优化:减少了不必要的活动处理,降低了系统负载
- 用户体验:确保用户只看到真正相关的内容
- 安全性增强:有效过滤潜在的垃圾或恶意内容
- 数据质量:保持数据库内容的关联性和价值
这种设计模式也为其他实现ActivityPub协议的系统提供了有价值的参考,展示了如何在开放协议与系统资源管理之间取得平衡。
GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0114AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









