AWS SDK for JavaScript v3 中临时凭证提供者的错误分析与修复
问题背景
AWS SDK for JavaScript v3 的 @aws-sdk/credential-providers 包在 3.730.0 版本中引入了一个严重问题,导致使用 fromTemporaryCredentials 方法时会出现 credentials is missing 错误。这个问题主要影响 Node.js 环境下的 Lambda 函数执行。
错误表现
当开发者升级到 3.730.0 版本后,使用 fromTemporaryCredentials 方法获取临时凭证时,系统会抛出以下错误栈:
Error: `credentials` is missing
at credentialsProvider
at boundCredentialsProvider
at process.processTicksAndRejections
at async fromTemporaryCredentials
技术分析
该问题的根源在于 SDK 内部对凭证提供者的处理逻辑发生了变化。在 3.730.0 版本中,凭证链的解析过程出现了中断,导致系统无法正确获取主凭证(masterCredentials)。
fromTemporaryCredentials 方法需要两个关键组成部分:
- 临时凭证的参数(如 RoleArn 和 RoleSessionName)
- 主凭证提供者(用于获取临时凭证的凭证)
在 3.730.0 版本中,当没有显式提供主凭证时,系统无法回退到默认的凭证链获取方式。
临时解决方案
在官方修复发布前,开发者可以采用以下两种临时解决方案:
- 回退到 3.729.0 版本
- 显式提供主凭证提供者
import { fromTemporaryCredentials, fromNodeProviderChain } from "@aws-sdk/credential-providers";
const credentials = fromTemporaryCredentials({
params: {
RoleArn: "arn:aws:iam::000000000000:role/some-role",
RoleSessionName: "some-session",
},
masterCredentials: fromNodeProviderChain()
});
相关问题的扩展
在调查过程中,开发团队还发现了另一个相关问题:@aws-sdk/nested-clients 包中的路径解析错误。这个问题表现为:
Error: Cannot find module './submodules/sts/endpoint/EndpointParameters'
这是由于构建过程中生成的相对路径不正确导致的。开发团队最初在 3.731.0 版本中尝试修复,但由于构建缓存问题未能完全解决。最终在 3.731.1 版本中彻底修复了这个问题。
修复过程
AWS SDK 团队采取了以下步骤解决问题:
- 确认问题并重现错误
- 分析凭证提供链的中断点
- 修复凭证解析逻辑
- 同时修复了相关的路径解析问题
- 发布 3.731.0 版本(部分修复)
- 清理构建缓存后发布 3.731.1 版本(完全修复)
最佳实践建议
为了避免类似问题,建议开发者在升级 AWS SDK 时:
- 先在测试环境验证新版本
- 关注版本变更日志中的重大变更
- 考虑锁定次要版本号(如 ~3.729.0)而不是使用完全开放的版本号
- 对于生产关键系统,考虑延迟升级,等待社区验证
总结
AWS SDK for JavaScript v3 在 3.730.0 版本中引入的凭证提供者问题,展示了依赖管理中的常见挑战。通过快速响应和修复,AWS 团队在 3.731.1 版本中完全解决了问题。这个案例也提醒我们,在云原生开发中,凭证管理和依赖版本控制都需要特别关注。
对于使用 AWS SDK 的开发者来说,理解凭证提供链的工作原理非常重要,这不仅能帮助快速诊断问题,也能在架构设计时做出更合理的选择。
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
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01