Android-Password-Store 子目录加密文件解密问题解析
2025-06-29 11:40:47作者:管翌锬
在密码管理工具 Android-Password-Store 项目中,开发者发现了一个关于 PGP 加密文件解密的系统性问题。该问题主要影响位于子目录中且拥有独立 .gpg-id 配置文件的加密文件解密过程。
问题现象
当用户尝试解密位于子目录中的加密文件时,系统无法正确识别该目录下 .gpg-id 文件中指定的 PGP 密钥标识符。具体表现为两种场景:
- 直接解密场景:在应用内打开加密文件时,系统会提示"密码无效"错误,即使输入了正确的密码短语。
- 自动填充场景:通过自动填充功能访问加密文件时,系统会返回空字符串而不显示任何错误信息。
这两种情况都会导致用户无法正常访问加密存储的敏感信息。
技术分析
问题的根本原因在于密钥标识符获取逻辑的缺陷。当前实现中,系统在解密文件时没有考虑文件所在子目录的层级关系,导致无法正确获取子目录中 .gpg-id 文件指定的密钥标识符。
PGP 加密体系在 Android-Password-Store 中的实现遵循以下原则:
- 每个目录可以包含一个 .gpg-id 文件,指定该目录下文件的加密密钥
- 子目录可以继承父目录的密钥配置,也可以定义自己的密钥配置
- 解密时必须使用文件所在目录或其父目录中指定的密钥
当前系统在解密时仅检查根目录的 .gpg-id 文件,而忽略了子目录中的配置,这违反了 PGP 加密目录的标准实现规范。
解决方案
针对这一问题,需要从两个层面进行修复:
-
直接解密功能修复:
- 修改 DecryptActivity 文件
- 在调用 getPGPIdentifiers 方法时,加入文件所在子目录路径作为参数
- 确保系统能够正确识别层级目录结构中的密钥配置
-
自动填充功能修复:
- 改进 AutofillDecryptActivity 文件
- 在解密方法中获取正确的 PGP 标识符
- 将获取的标识符传递给所有需要的方法
实现建议
在技术实现上,建议采用递归查找算法来解决密钥标识符获取问题:
- 从加密文件所在目录开始向上查找 .gpg-id 文件
- 优先使用最近目录中的密钥配置
- 如果没有找到,则使用默认的根目录配置
- 确保所有解密操作都使用正确的密钥标识符
这种实现方式既保持了与标准 PGP 实现的兼容性,又能正确处理各种目录结构配置。
总结
这个问题的解决不仅修复了当前的功能缺陷,也为 Android-Password-Store 项目的加密功能提供了更健壮的实现基础。通过正确处理子目录的密钥配置,系统现在能够更好地支持复杂的密码存储组织结构,满足高级用户的需求。
对于密码管理类应用来说,加密解密功能的可靠性至关重要。这次修复确保了系统在各种目录结构下都能正确工作,提升了整体安全性和用户体验。
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
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217