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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00