Cheshire Cat AI 核心框架中的认证机制设计与实现
2025-06-29 22:29:40作者:伍希望
认证机制演进背景
在Cheshire Cat AI核心框架的开发过程中,认证机制的设计经历了多次迭代。最初的设计仅对HTTP端点进行API密钥验证,而WebSocket连接则完全开放。这种设计在安全性方面存在明显缺陷,特别是在生产环境中使用时,可能导致未经授权的访问。
认证机制设计目标
项目团队最终确定了以下设计目标:
- 分离HTTP和WebSocket的认证机制
- 提供可扩展的认证接口
- 保持向后兼容性
- 支持多种认证策略
技术实现方案
基础认证类设计
框架实现了一个基础认证类BaseAuth,提供了默认的认证逻辑:
class BaseAuth():
def is_master_key(self, request):
# 使用环境变量中的API_KEY进行验证
return request.header["access_token"] == getenv("API_KEY")
def is_http_allowed(self, request):
return self.is_master_key(request)
def is_ws_allowed(self, websocket):
return True
自定义认证扩展
开发者可以通过继承BaseAuth类来实现自定义认证逻辑:
class MyAuth(BaseAuth):
def is_master_key(self, request):
# 可覆盖主密钥验证逻辑
return False
def is_http_allowed(self, request):
# 自定义HTTP认证逻辑
return custom_http_check(request)
def is_ws_allowed(self, websocket):
# 自定义WebSocket认证逻辑
return custom_ws_check(websocket)
端点保护机制
框架使用依赖注入来保护端点:
@router.get("/protected-endpoint")
def protected_endpoint(request, payload, Depends(http_auth)):
# 业务逻辑
pass
认证检查函数http_auth实现了OR逻辑,允许主密钥或自定义认证通过:
def http_auth(app, request):
cat = app.state.ccat
if not (cat.auth.is_master_key(request) or cat.auth.is_http_allowed(request)):
raise HTTPException(status_code=403)
安全最佳实践
- 密钥分离:使用不同的环境变量
AUTH_KEY和WS_AUTH_KEY分别保护HTTP和WebSocket端点 - 安全传输:建议在生产环境中启用WSS(WebSocket Secure)而非WS
- 权限控制:认证成功后可在工作内存中设置用户权限
- 插件扩展:通过插件系统支持OAuth等高级认证方案
技术决策考量
项目团队在设计中考虑了以下因素:
- 保持现有客户端兼容性
- 平衡安全性与易用性
- 提供足够的扩展点
- 清晰的职责分离
这种认证机制设计既满足了基本安全需求,又为未来的扩展提供了充分的空间,是框架安全架构的重要进步。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
135
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218