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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00