使用AsyncSSH实现多级SSH端口转发与智能卡认证
在分布式系统开发中,经常需要通过中间服务器访问后端服务,同时需要确保传输安全。本文将介绍如何利用Python的AsyncSSH库实现多级SSH跳转和端口转发,并探讨智能卡认证的最佳实践。
多级SSH端口转发场景
典型场景中,开发者需要从本地机器通过中间服务器(172.16.16.158)访问目标服务器(172.16.16.160)上的服务。传统SSH客户端可以通过命令实现这种转发:
ssh -J 172.16.16.158 172.16.16.160 -L 4444:localhost:4444
但在自动化脚本中,我们需要更灵活的编程式控制。AsyncSSH提供了强大的API来实现这一需求。
AsyncSSH实现方案
初始尝试方案
开发者最初尝试使用AsyncSSH的双重连接方式:
async with asyncssh.connect("172.16.16.158") as build_conn:
async with build_conn.connect_ssh("172.16.16.160") as sign_conn:
sign_listener = await sign_conn.forward_local_port(
"localhost", 4444, "localhost", 4444
)
这种方法的问题在于它会在本地机器(而非中间服务器)上建立端口转发,不符合需求。
有效解决方案
正确的实现方式是在中间服务器上执行SSH转发命令:
async with asyncssh.connect("172.16.16.158") as build_conn:
proc = await build_conn.create_process(
"ssh -N -L 4444:localhost:4444 172.16.16.160"
)
# 保持连接
await asyncio.sleep(10)
proc.send_signal("INT")
await proc.wait_closed()
这种方法确实实现了需求,但存在需要多次认证的问题。
智能卡认证优化
当使用智能卡进行认证时,系统会多次提示输入PIN码,影响用户体验。AsyncSSH提供了PKCS#11支持,可以优化这一流程:
options = SSHClientConnectionOptions(
pkcs11_provider='/usr/lib/opensc-pkcs11.so',
pkcs11_pin='123456' # 从用户输入获取
)
async with asyncssh.connect("172.16.16.158", options=options) as conn:
# 连接逻辑
通过集中管理认证信息,可以避免多次输入PIN码的问题。
技术要点总结
-
端口转发层级:AsyncSSH的
forward_local_port始终从发起连接的客户端开始转发,无法直接在中间服务器上建立转发。 -
认证流程:多级SSH跳转必然需要多次认证,但可以通过PKCS#11等机制减少用户交互。
-
进程管理:在远程服务器上执行SSH命令时,需要妥善管理进程生命周期,避免资源泄漏。
-
安全考虑:端口转发增加了系统暴露面,应确保仅开放必要的端口,并在使用后及时关闭。
最佳实践建议
-
对于复杂的多级转发场景,考虑在中间服务器上部署专用的转发服务。
-
使用AsyncSSH的PKCS#11支持可以简化智能卡认证流程。
-
在生产环境中,应该实现完善的错误处理和连接状态监控。
-
考虑使用SSH配置文件(~/.ssh/config)预先定义跳转关系,简化连接逻辑。
通过合理运用AsyncSSH的高级特性,开发者可以构建既安全又高效的分布式系统连接方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C077
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0131
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