Enso项目中的Native Image HTTPS支持问题解析
背景介绍
Enso是一个现代化的编程语言和数据可视化工具,它结合了脚本语言的易用性和系统语言的性能。在Enso的开发过程中,团队遇到了一个关于Native Image(原生镜像)环境下HTTPS请求无法正常工作的问题。
问题现象
在标准JVM模式下,Enso能够正常通过HTTPS协议获取网络资源,但当应用被编译为Native Image后,HTTPS功能却无法正常工作。这是一个典型的"Works in JVM but not in Native Image"问题。
技术分析
Native Image是GraalVM提供的一项技术,它能够将Java应用提前编译为本地可执行文件,显著提升启动速度和减少内存占用。然而,这种编译方式也带来了一些运行时动态特性的限制。
对于HTTPS支持问题,通常需要考虑以下几个方面:
-
安全协议注册:Java的安全提供者需要在运行时动态注册,而Native Image的静态编译特性可能导致这些注册过程被遗漏。
-
反射配置:HTTPS相关的类可能使用了反射机制,需要在Native Image构建时明确配置。
-
服务加载:Java的ServiceLoader机制需要显式声明才能在Native Image中正常工作。
解决方案探索
从讨论中可以看出,开发团队已经尝试了以下解决方案但未成功:
--enable-https:理论上应该启用HTTPS支持--enable-all-security-protocols:启用所有安全协议
这些尝试表明问题可能比简单的配置更复杂。根据经验,完整的解决方案可能需要:
- 明确声明所有相关的安全提供者类
- 配置反射以支持SSL/TLS相关的内部类
- 确保所有必要的安全协议实现被包含在最终镜像中
开发进展
从开发者的standup报告可以看出:
- 问题已被定位,相关PR正在准备中
- 除了HTTPS问题外,还发现了其他Native Image相关的测试套件崩溃问题
- 计划在短时间内完成修复并转向其他Native Image相关问题
技术启示
这个问题给我们的启示是:
- 将Java应用迁移到Native Image时需要特别注意网络和安全相关的功能
- 动态特性在静态编译环境中的表现可能与JVM模式不同
- 全面的测试覆盖对于发现这类环境相关的问题至关重要
总结
Enso项目遇到的这个HTTPS在Native Image中的支持问题,展示了现代Java生态系统中静态编译与动态运行时环境之间的兼容性挑战。通过解决这类问题,不仅能够提升Enso本身的稳定性和性能,也为其他类似项目提供了宝贵的经验。随着GraalVM Native Image技术的不断成熟,这类问题将有望通过更好的工具支持和更完善的文档得到缓解。
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