pgloader项目中使用签名证书连接PostgreSQL的SSL问题解决方案
问题背景
在使用pgloader工具连接PostgreSQL数据库时,当配置了SSL签名证书后,可能会遇到"SSL alert number 48"的错误。这个错误表明客户端和服务器在SSL/TLS握手过程中出现了证书验证问题,具体表现为客户端无法识别服务器证书的颁发机构(CA)。
错误现象
典型的错误信息如下:
DB-CONNECTION-ERROR: Failed to connect to pgsql...
SSL routines:ssl3_read_bytes:tlsv1 alert unknown ca
SSL alert number 48
有趣的是,使用psql命令行工具连接相同的数据库却可以成功,这说明证书本身是有效的,问题出在pgloader如何加载和验证这些证书上。
根本原因分析
-
证书信任链问题:pgloader可能没有正确加载CA根证书,导致无法验证服务器证书的有效性。
-
系统证书存储:与psql不同,pgloader可能没有使用系统默认的证书存储位置,或者没有正确配置证书路径。
-
证书格式问题:虽然证书在psql中工作,但pgloader可能对证书格式有特定要求。
解决方案
方法一:将证书添加到系统信任存储
- 安装ca-certificates包:
sudo yum install -y ca-certificates
- 启用系统证书信任机制:
sudo update-ca-trust force-enable
- 将CA证书复制到系统信任存储目录:
sudo cp your-certificate.crt /etc/pki/ca-trust/source/anchors/
- 更新证书信任存储:
sudo update-ca-trust extract
方法二:明确指定证书路径
如果不想修改系统证书存储,可以在pgloader命令中明确指定证书路径:
pgloader --ssl-cert /path/client.crt --ssl-key /path/client.key --ssl-root-cert /path/root.crt ...
技术原理
-
SSL/TLS握手过程:当客户端连接服务器时,服务器会发送其证书链,客户端需要验证这个证书链是否由受信任的CA签发。
-
证书信任存储:Linux系统通常使用
/etc/pki/ca-trust/source/anchors/作为额外的CA证书存储位置,update-ca-trust命令会将这些证书整合到系统范围的信任存储中。 -
pgloader的特殊性:pgloader作为数据迁移工具,可能使用不同于psql的SSL库或配置方式,因此需要特别注意证书的加载方式。
最佳实践建议
-
对于生产环境,建议使用方法一将证书添加到系统信任存储,这样所有应用程序都能受益。
-
定期检查证书有效期,避免因证书过期导致连接问题。
-
在开发环境中,可以使用
--no-ssl-cert-verification参数临时绕过证书验证,但不建议在生产环境中使用。 -
确保证书文件权限设置正确,私钥文件应设置为仅所有者可读(600权限)。
通过以上方法,可以解决pgloader在使用签名证书连接PostgreSQL时遇到的SSL验证问题,确保数据迁移过程的安全性和可靠性。
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