Envoy项目中UpstreamTLSContext客户端证书配置问题解析
在Envoy代理的实际应用中,配置上游服务的TLS连接是一个常见需求,特别是当上游服务要求客户端证书认证时。本文将深入分析一个典型的配置问题及其解决方案,帮助开发者更好地理解Envoy的TLS工作机制。
问题现象
在使用Envoy的OAuth客户端凭据注入器时,开发者遇到了一个TLS认证问题。配置中虽然指定了客户端证书,但在实际请求上游服务时,Envoy并未正确发送这些证书,导致服务端返回"400 No required SSL certificate was sent"错误。
配置分析
从日志中可以清晰地看到,Envoy成功建立了到上游服务的连接,但在TLS握手阶段未能提供客户端证书。上游服务因此拒绝了请求,返回了HTTP 400状态码。
关键的错误日志显示:
Oauth response body: <html>
<head><title>400 No required SSL certificate was sent</title></head>
根本原因
经过深入分析,发现问题出在UpstreamTLSContext的配置上。虽然配置中正确指定了客户端证书,但缺少了两个关键参数:
auto_host_sni: 控制是否自动设置SNI(Server Name Indication)扩展auto_sni_san_validation: 控制是否自动验证SAN(Subject Alternative Name)
这两个参数对于现代TLS握手过程至关重要,特别是在需要客户端证书认证的场景中。
解决方案
修正后的配置应包含以下关键部分:
transport_socket:
name: envoy.transport_sockets.tls
typed_config:
"@type": type.googleapis.com/envoy.extensions.transport_sockets.tls.v3.UpstreamTlsContext
auto_host_sni: true
auto_sni_san_validation: true
common_tls_context:
tls_certificate_sds_secret_configs:
- name: client_cert
validation_context:
trusted_ca:
filename: /path/to/ca.pem
技术原理
-
SNI扩展:现代TLS握手过程中,客户端通过SNI扩展告知服务器它正在连接的主机名。这对于服务器选择正确的证书链非常重要。
-
SAN验证:Subject Alternative Name是X.509证书中的一个扩展,允许证书保护多个主机名。自动验证可以确保连接的主机名与证书中的SAN匹配。
-
客户端证书流程:当服务器要求客户端证书时,客户端需要在TLS握手期间提供有效的证书链。这个过程依赖于正确的SNI和SAN配置。
最佳实践
-
对于所有需要客户端证书的上游TLS连接,都应启用
auto_host_sni和auto_sni_san_validation。 -
确保证书链完整且格式正确,包括中间CA证书(如果有)。
-
定期检查证书有效期,避免因证书过期导致连接失败。
-
在生产环境中,考虑使用SDS(Secret Discovery Service)动态管理证书,而不是静态文件。
总结
Envoy作为高性能代理,其TLS配置需要特别注意细节。通过正确配置UpstreamTLSContext的相关参数,可以确保客户端证书在TLS握手过程中被正确发送,从而建立安全的双向认证连接。理解这些底层机制对于排查类似问题和设计可靠的微服务架构至关重要。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00