XTLS/Xray-core 项目中 SplitHTTP 服务端不支持 h2c 的问题分析
SplitHTTP 是 Xray-core 项目中一种特殊的传输协议,它通过将数据流分割成多个 HTTP 请求来实现数据传输。近期发现该协议在服务端实现中存在一个关键限制:不支持 h2c(HTTP/2 明文协议),这导致在某些特定使用场景下会出现兼容性问题。
问题本质
SplitHTTP 协议在服务端目前仅支持 HTTP/1.1 协议,而客户端在使用 TLS 时会强制使用 HTTP/2 协议。这种不对称性导致了以下两个主要问题:
-
VLESS fallback 功能受限:当 VLESS 协议配置了 fallback 回退机制时,如果回退目标是 SplitHTTP 服务端,由于 fallback 机制会解 TLS 后以 h2c 协议转发请求,而 SplitHTTP 服务端无法处理 h2c 连接,导致连接失败。
-
SSL 卸载场景不兼容:在使用外部软件(如 Nginx、Caddy)进行 SSL 终端卸载时,这些软件通常会以 h2c 协议向后端转发请求,而 SplitHTTP 服务端无法正确处理这类连接。
技术细节分析
在 Xray-core 的实现中,SplitHTTP 客户端代码会检查是否启用了 TLS:
- 如果启用了 TLS,则强制使用 HTTP/2 协议
- 如果未启用 TLS,则使用 HTTP/1.1 协议
而服务端实现目前仅支持 HTTP/1.1 协议,无法处理 h2c 连接。这种设计上的不对称性导致了上述兼容性问题。
临时解决方案
对于必须使用 VLESS fallback 到 SplitHTTP 的场景,目前可以通过以下方式临时解决:
-
使用中间代理层:在 VLESS fallback 和 SplitHTTP 之间加入 Nginx 或 Caddy 作为中间层,由这些软件接收 h2c 连接并转换为 HTTP/1.1 协议后再转发给 SplitHTTP 服务端。
-
基于 ALPN 的路由:在 fallback 配置中根据 ALPN 协议类型进行路由分发,将 h2 流量导向支持 HTTP/2 的后端,将 http/1.1 流量导向 SplitHTTP。
未来改进方向
从技术实现角度看,最根本的解决方案是在 SplitHTTP 服务端增加对 h2c 协议的支持。这样可以使服务端能够处理以下类型的连接:
- 直接 HTTP/1.1 连接
- 经过 TLS 终端卸载后的 h2c 连接
- VLESS fallback 转发的 h2c 连接
这种改进将显著提升 SplitHTTP 协议在各种部署场景下的兼容性和灵活性。
总结
SplitHTTP 协议当前的服务端实现在协议支持上存在局限性,这影响了其在某些特定场景下的可用性。虽然可以通过中间层代理等临时方案缓解问题,但最理想的解决方案还是完善服务端对 h2c 协议的支持。这一问题也提醒我们在设计网络协议实现时,需要考虑各种可能的部署场景和协议组合,以确保最佳的兼容性。
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