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。
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