Asterisk项目中STIR/SHAKEN模块的认证级别传播问题分析
2025-06-30 05:29:00作者:史锋燃Gardner
问题概述
在Asterisk开源通信平台中,res_stir_shaken模块负责实现STIR/SHAKEN协议功能,该协议用于电信行业的来电身份认证。近期发现该模块存在一个关键问题:认证级别(attest_level)在配置结构中未能正确传播。
技术背景
STIR/SHAKEN协议定义了三种认证级别:
- A级(Full Attestation):服务提供商完全认证呼叫来源
- B级(Partial Attestation):服务提供商认证呼叫来源但无法完全验证
- C级(Gateway Attestation):仅验证呼叫进入网络的门槛
在Asterisk配置中,认证级别可以在三个层级定义:
- 认证(attestation)部分
- 配置文件(profile)部分
- 电话号码(tn)部分
问题详情
当前实现中存在以下缺陷:
- 当配置文件(profile)中未明确指定attest_level时,系统错误地将其默认设置为"A"级,而不是从上级的attestation部分继承
- 同样,在电话号码(tn)配置中未指定attest_level时,也错误地默认设置为"A"级,而没有从上级的profile或attestation部分继承
影响分析
这一缺陷会导致以下问题:
- 配置灵活性降低:管理员无法通过层级继承来简化配置
- 潜在的安全风险:默认使用最高认证级别可能导致不符合实际情况的认证声明
- 配置维护困难:需要在每个层级重复指定相同的认证级别
解决方案
开发团队已通过代码提交修复了这一问题,确保:
- 配置层级间的属性继承关系正确实现
- 当某层级未明确配置时,能够正确从上级配置继承attest_level值
- 保持向后兼容性,不影响现有明确配置了attest_level的部署
最佳实践建议
对于使用STIR/SHAKEN功能的Asterisk管理员:
- 检查现有配置,确认是否依赖了错误的默认"A"级行为
- 考虑采用层级化的配置方式,在高层级定义通用认证级别
- 在升级后验证认证级别的传播是否符合预期
该修复已合并到主分支,建议用户及时更新以获得更灵活的配置能力和更准确的功能实现。
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
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
672
157
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++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218