Brave浏览器Linux版Cookie持久化问题分析与解决方案
问题概述
近期在Brave浏览器Linux版本中,部分用户报告了一个严重的会话持久性问题:浏览器重启后无法保持登录状态,特别是对Google/视频平台等网站的登录信息会丢失。这个问题主要影响使用KDE Plasma桌面环境的Linux用户,表现为每次重启浏览器后都需要重新登录网站并完成双重认证。
技术背景
Brave浏览器基于Chromium项目构建,在Linux平台上使用OSCrypt模块来处理敏感数据的加密存储。OSCrypt支持多种后端存储机制,包括:
- KWallet (KDE桌面环境)
- GNOME Keyring (GNOME桌面环境)
- Libsecret (通用解决方案)
- 基本文本存储(不安全的后备方案)
在Chromium 135版本中,引入了一个名为"UseFreedesktopSecretKeyProvider"的新特性,旨在改进Linux平台上的密钥存储机制,但正是这个特性导致了上述问题。
问题根源分析
通过分析用户提供的日志和调试信息,可以确定问题源于以下几个方面:
-
密钥存储后端选择不当:系统检测到KDE环境后选择了KWallet6作为后端,但实际存储/读取过程存在问题。
-
解密机制异常:日志中频繁出现"Decryption succeeded after retrying with an empty key"的提示,表明系统虽然最终解密成功,但使用的是空密钥,这会导致无法正确读取之前存储的会话数据。
-
Cookie数据库写入/读取不一致:用户报告称虽然Cookie能被写入数据库,但在重启后无法正确读取,导致数据库看似"清空"。
解决方案
经过Brave开发团队的调查,确认以下解决方案:
临时解决方案
对于遇到此问题的用户,可以通过以下命令行参数启动Brave浏览器:
--disable-features=UseFreedesktopSecretKeyProvider
对于长期使用,可以将此参数添加到浏览器的启动配置中:
- 创建或编辑
~/.config/brave-flags.conf文件 - 添加上述参数
- 保存文件后重启浏览器
永久修复
Brave开发团队已经通过Griffin配置系统禁用了有问题的"UseFreedesktopSecretKeyProvider"特性。该修复从版本1.77.92开始生效,用户升级到该版本或更高版本后问题将自动解决。
验证与测试
Brave QA团队在以下环境中验证了修复效果:
- Brave 1.77.92版本
- 多种Linux发行版(Kubuntu, Arch Linux等)
- 不同桌面环境(KDE Plasma, GNOME等)
测试内容包括:
- 在旧版本中登录网站
- 升级到修复版本
- 验证登录状态保持
- 重启浏览器验证会话持久性
所有测试均确认修复有效。
用户建议
对于仍遇到此问题的用户,建议:
- 首先确保已升级到Brave 1.77.92或更高版本
- 如果问题仍然存在,尝试上述命令行参数解决方案
- 检查桌面环境密钥环服务是否正常运行
- 对于KDE用户,可以尝试明确指定使用KWallet6后端:
--password-store=kwallet6
总结
这个案例展示了开源浏览器在跨平台支持中面临的挑战,特别是与不同桌面环境集成时的复杂性。Brave团队通过社区反馈快速定位问题,并通过版本更新提供了永久解决方案,体现了开源协作的优势。对于终端用户,了解这些技术细节有助于更好地解决问题并优化使用体验。
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