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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00