FreeRDP网关RPC模式连接失败问题分析与修复
问题背景
FreeRDP是一款开源的远程桌面协议(RDP)客户端实现,在3.13.0版本中,用户报告了一个严重的回归性问题:当使用RPC网关模式(/gateway:type:rpc)时,连接会失败并显示"tsg_check failure"错误。这个问题影响了通过RPC网关模式连接Windows远程桌面网关(RD Gateway)的用户,特别是那些在网络负载均衡后面部署RD Gateway的场景。
问题表现
在FreeRDP 3.13.0版本中,当用户尝试通过RPC网关模式连接时,会出现以下错误序列:
- RPC PDU解析不完全警告
- RTS PDU故障状态显示ERROR_NOT_DOS_DISK
- 意外的alloc_hint值警告
- 最终tsg_check失败错误
- 连接终止,错误代码ERRCONNECT_SECURITY_NEGO_CONNECT_FAILED
相比之下,3.12.0版本在相同配置下工作正常,而将类型改为HTTP模式(/gateway:type:http)虽然可以连接,但在网络负载均衡后的RD Gateway场景下无法工作。
技术分析
问题的根源在于FreeRDP 3.13.0中对TSG(终端服务网关)检查逻辑的修改。具体来说,b138f6ca18c5这个提交引入了对TSG数据包的更严格检查,但未能正确处理某些情况下的消息包指针。
根据微软的MS-TSGU协议规范,TSG_PACKET_MSG_RESPONSE结构包含一个IsMsgPresent标志,指示messagePacket参数是否存在。当该标志为FALSE时,messagePacket参数应被忽略,但代码仍需读取指针值。3.13.0版本的实现在IsMsgPresent为FALSE时完全跳过了指针读取,导致后续数据解析错位。
解决方案
开发团队通过以下方式修复了这个问题:
- 确保即使IsMsgPresent为FALSE也读取MessageSwitchValue
- 正确读取并忽略消息包指针(MsgPtr)
- 在IsMsgPresent为FALSE时读取但不处理同意消息(consent message)
- 保持数据流解析的完整性
修复后的版本(3.13.1-dev0)已经过测试验证,能够成功建立RPC网关模式的连接。虽然仍会显示"Read NDR pointer"警告,但这些不影响功能,将在未来版本中进一步优化。
影响范围
此问题影响所有使用以下配置的用户:
- 通过RPC模式(/gateway:type:rpc)连接RD Gateway
- 特别是网络负载均衡后端的RD Gateway部署(仅RPC模式可用)
- FreeRDP 3.13.0版本
用户建议
对于遇到此问题的用户,建议:
- 升级到包含修复的FreeRDP版本(3.13.1或更高)
- 如果暂时无法升级,可回退到3.12.0版本
- 避免在生产环境中使用HTTP网关模式替代RPC模式,除非确认兼容性
技术细节补充
RPC(远程过程调用)网关模式是RD Gateway的一种连接方式,相比HTTP模式:
- 使用不同的协议栈和端口
- 支持更复杂的网络拓扑
- 在网络中间设备后表现更可靠
- 实现更高效的二进制数据传输
TSG(终端服务网关)协议是微软专为远程桌面网关设计的协议,负责:
- 身份验证和授权
- 连接隧道建立
- 策略实施
- 资源重定向控制
理解这些底层协议有助于更好地诊断和解决连接问题。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00