Erlang/OTP中verify_fun/3接收证书二进制而非OTPCertificate记录的问题分析
问题背景
在Erlang/OTP的public_key模块中,证书验证回调函数verify_fun/3存在一个参数传递顺序不一致的问题。这个问题会影响所有使用证书验证回调功能的Erlang应用,特别是那些依赖于证书链验证的安全通信场景。
技术细节
在public_key.erl模块中,证书验证回调函数被调用了两次,但两次调用时参数顺序不一致:
- 第一次调用(1713行):
pubkey_cert:apply_fun(VerifyFun, Cert#cert.otp, Cert#cert.der, Reason, Userstat0)
- 第二次调用(2422行):
pubkey_cert:apply_fun(VerifyFun, OtpCert, DerCert, Reason, UserState0)
然而,在pubkey_cert.erl模块中的apply_fun/5函数实现却反转了这两个参数的顺序:
apply_fun(Fun, DerCert, OtpCert, Result, UserState) ->
if is_function(Fun, 4) ->
Fun(OtpCert, DerCert, Result, UserState);
is_function(Fun, 3) ->
Fun(OtpCert, Result, UserState)
end.
影响分析
这个参数顺序反转的问题会导致以下影响:
-
当使用3参数版本的verify_fun时,开发者预期接收OTPCertificate记录作为第一个参数,但实际上会收到DER编码的二进制证书数据。
-
当使用4参数版本的verify_fun时,虽然最终参数顺序是正确的,但中间过程存在不必要的参数交换。
-
依赖于证书详细信息的验证逻辑可能会失败,因为二进制DER格式的证书需要额外解析才能获取证书字段。
解决方案建议
这个问题应该通过以下方式修复:
-
统一public_key.erl中的参数顺序,确保与pubkey_cert.erl中的实现一致。
-
更新文档,明确说明verify_fun回调函数的参数顺序和类型。
-
对于已经依赖于当前行为的应用,需要考虑向后兼容性问题。
开发者注意事项
开发者在实现证书验证回调时应注意:
-
不要假设第一个参数的类型,应该先检查其类型(是OTPCertificate记录还是二进制数据)。
-
如果确实需要处理DER格式的证书,可以使用public_key:pkix_decode_cert/2函数进行解析。
-
在OTP版本升级时,特别注意证书验证相关功能的测试。
总结
这个参数顺序问题虽然看起来简单,但在安全相关的证书验证场景中可能造成严重的影响。开发者在使用证书验证回调时应当谨慎处理参数类型,并在升级OTP版本时充分测试相关功能。Erlang/OTP团队已经确认了这个问题,并将在后续版本中修复。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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