Solon项目中的Fury数据处理问题分析与改进
2025-07-01 21:04:29作者:柏廷章Berta
问题概述
在Solon框架中,存在两个使用Fury序列化协议的模块:nami.coder.fury和solon.serialization.fury。研究发现,这两个模块在数据处理过程中存在潜在风险,可能导致不安全的操作。不当的数据可能通过构造特殊的序列化数据,在目标系统上产生非预期行为。
问题原理分析
Fury是一个高性能的序列化框架,但默认配置下对数据处理的限制考虑不足。Solon框架中直接使用了Fury的默认配置,没有对处理的类进行严格限制,导致可能存在利用Java数据处理链实施非预期操作的情况。
问题的核心在于:
- 数据处理过程中没有对输入数据进行充分校验
- 缺乏有效的类加载控制机制
- 默认配置下允许加载多种类
问题影响范围
该问题影响所有使用以下模块的Solon应用:
- 使用
nami.coder.fury进行RPC通信的服务 - 使用
solon.serialization.fury进行数据序列化的服务
风险场景复现
场景一:RPC服务风险
不当的数据可能构造特殊的序列化数据,通过RPC接口发送给服务端。当服务端使用Fury处理这些数据时,可能产生非预期行为。
关键步骤:
- 构造包含特殊对象的序列化数据
- 通过RPC接口发送特殊数据
- 服务端处理时可能产生问题
场景二:网关服务风险
类似地,可能通过HTTP接口发送特殊构造的序列化数据,当服务端使用Fury处理时同样可能产生问题。
问题改进方案
改进该问题需要从以下几个方面入手:
- 实现类加载控制:通过配置Fury的限制列表机制,控制可处理的类
- 安全配置Fury:启用Fury的限制模式,配置适当的类加载检查级别
- 输入数据校验:对处理的输入数据进行充分校验
安全建议
对于使用Solon框架的开发者,建议采取以下措施:
- 及时升级到最新版本
- 对于必须使用序列化的场景,考虑使用JSON等更安全的序列化格式
- 在网络边界实施严格的数据校验
- 限制RPC接口的访问权限
总结
数据处理安全问题一直是Java生态中的重要话题。Solon框架中的Fury数据处理问题再次提醒我们,在使用高性能序列化方案时,必须同时考虑安全性因素。开发者应当了解所用序列化框架的安全特性,并根据业务场景配置适当的安全策略。
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
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
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147