Sparkle项目安全升级:强化归档文件验证机制
2025-05-29 20:21:58作者:仰钰奇
背景与挑战
Sparkle作为macOS平台上广泛使用的应用更新框架,长期以来在安全验证机制上存在一个潜在问题点:框架会先解压zip、tar和dmg归档文件,然后再验证归档内容及其中应用的Apple代码签名身份。这种设计虽然支持密钥更新功能(允许开发者更换EdDSA签名密钥或Apple代码签名身份),但也为潜在的安全风险打开了方便之门。
安全增强方案
验证机制重构
新方案的核心改进在于将验证流程前置:在解压任何归档文件之前,强制进行完整性验证。具体实现包括:
-
对于磁盘映像(dmg)文件:验证其Apple代码签名签名,确保签名由Apple颁发且使用Developer ID签名,同时团队ID需与宿主应用匹配(忽略文件标识符)
-
对于zip/tar归档:仅接受使用Sparkle的(Ed)DSA密钥签名的文件
密钥更新策略调整
新方案对密钥更新功能做出了重要调整:
- 取消对zip/tar归档文件的密钥更新支持
- 保留对签名dmg文件的密钥更新能力(仅限特殊情况如密钥丢失或所有权转移时使用)
技术实现考量
磁盘映像的优势
方案推荐使用代码签名的磁盘映像而非zip文件作为更新包,原因包括:
- 更好的安全性:磁盘映像是Apple推荐的应用程序分发方式
- 避免App translocation问题:该问题会影响通过Sparkle的更新过程
- 提取效率提升:Sparkle 2.7版本将使dmg提取效率与现代压缩格式相当
兼容性处理
为平衡安全与兼容性,方案采取了渐进式改进策略:
- 初期作为可选功能推出,不强制现有开发者迁移
- 保留对不使用EdDSA签名应用的兼容(带警告日志)
- 对独立更新器保留旧策略的兼容路径
开发者影响与建议
需要调整的情况
开发者需要调整其更新分发策略当:
- 需要使用密钥更新功能
- 当前未使用Sparkle签名(Sparkle 2.x已弃用此做法)
最佳实践建议
- 优先使用代码签名/公证的磁盘映像分发应用更新
- 保持使用EdDSA签名作为额外安全层
- 即使使用dmg更新,也建议保留EdDSA签名以支持密钥更新
安全模型演进
这一改进使Sparkle的安全模型更加完善:
- 第一道防线:HTTPS传输(保持不变)
- 新增防线:归档文件验证(前置检查)
- 保留防线:应用签名验证(后置检查)
这种分层防御策略显著提高了攻击者实施供应链攻击的难度,即使开发者服务器出现问题,攻击者也需要突破多重验证机制才能注入恶意代码。
总结
Sparkle的这一安全改进通过重构验证流程、优化分发格式选择和完善密钥管理策略,显著提升了框架的整体安全性。虽然对部分开发者的工作流程会带来一定调整,但这些改变对于保护终端用户安全至关重要。开发者应评估自身情况,逐步迁移到更安全的更新分发模式。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 STM32到GD32项目移植完全指南:从兼容性到实战技巧 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.2 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
662