Ruby-JWT项目中使用ES256K算法验证JWT的技术解析
在Ruby-JWT项目中,开发者经常需要处理各种加密算法来验证JSON Web Tokens(JWT)。本文将重点探讨如何使用ES256K(基于secp256k1椭圆曲线的ECDSA算法)来验证JWT签名,特别是如何处理从不同格式提取的公钥。
ES256K算法简介
ES256K是一种基于secp256k1椭圆曲线的数字签名算法,与更常见的ES256(基于P-256曲线)类似,但使用不同的曲线参数。这种算法在区块链和去中心化身份(DID)系统中较为常见。
公钥的获取与处理
在实际应用中,公钥可能以多种格式存在。常见的情况包括:
-
Multibase编码的公钥:如示例中的
zQ3shMcFGXMMsEX5nxmV8QfBZQc1Uw6mSWADuKSgsvieu5ezC,这是Base58编码的压缩公钥。 -
JWK(JSON Web Key)格式:包含完整的密钥参数,可直接导入。
-
PEM或DER格式:OpenSSL标准的密钥存储格式。
处理Multibase编码的压缩公钥
对于Multibase编码的压缩公钥,处理步骤如下:
- 去除Multibase前缀(第一个字符)
- 使用Base58解码
- 提取实际的压缩公钥部分(通常跳过前两个字节)
key_multibase = "zQ3shMcFGXMMsEX5nxmV8QfBZQc1Uw6mSWADuKSgsvieu5ezC"
key_decoded = Base58.base58_to_binary(key_multibase[1..], :bitcoin)
actual_key = key_decoded[2..]
将压缩公钥转换为OpenSSL对象
Ruby-JWT需要OpenSSL::PKey::EC对象来进行验证。对于压缩公钥,我们需要先解压缩(计算Y坐标),然后构建完整的公钥对象。
方法一:直接使用OpenSSL解压缩
group = OpenSSL::PKey::EC::Group.new('secp256k1')
point = OpenSSL::PKey::EC::Point.new(group, actual_key)
uncompressed_point = point.to_bn(:uncompressed).to_s(2)
x_octets, y_octets = uncompressed_point.unpack('xa32a32')
jwk = {
kty: "EC",
crv: "P-256K",
x: Base64.urlsafe_encode64(x_octets, padding: false),
y: Base64.urlsafe_encode64(y_octets, padding: false),
}
key = JWT::JWK.import(jwk).public_key
方法二:构建SPKI格式后导入
另一种方法是构建SubjectPublicKeyInfo(SPKI)结构,这是X.509标准中定义的公钥格式:
def spki_from_compressed_secp256k1(comp)
alg_id = OpenSSL::ASN1::Sequence([
OpenSSL::ASN1::ObjectId('id-ecPublicKey'),
OpenSSL::ASN1::ObjectId('secp256k1')
])
OpenSSL::ASN1::Sequence([alg_id, OpenSSL::ASN1::BitString(comp)]).to_der
end
key = OpenSSL::PKey.read(spki_from_compressed_secp256k1(comp))
验证JWT
获得公钥对象后,验证JWT就很简单了:
decoded_token = JWT.decode(token, key, true, { algorithm: 'ES256K' })
注意事项
-
算法名称:确保使用正确的算法名称'ES256K',而不是'ES256'。
-
密钥格式:Ruby-JWT期望接收的是OpenSSL::PKey::EC对象,直接传递原始字符串会导致错误。
-
压缩与未压缩:secp256k1公钥可以是压缩(33字节)或未压缩(65字节)格式,处理时需要区分。
-
错误处理:建议添加适当的错误处理,特别是对于密钥解析和JWT验证过程。
总结
在Ruby-JWT项目中使用ES256K算法验证JWT时,关键在于正确处理各种格式的公钥并将其转换为OpenSSL可识别的对象。对于来自DID文档的Multibase编码压缩公钥,需要经过解码、解压缩和格式转换多个步骤。理解这些底层原理有助于开发者更灵活地处理各种密钥格式和加密场景。
随着区块链和去中心化身份系统的发展,ES256K算法的使用可能会越来越普遍,掌握其处理方法将成为Ruby开发者的重要技能之一。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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