JJWT库中JWT构建时非字符串类型audience声明的处理问题
背景介绍
JJWT是一个广泛使用的Java JWT(JSON Web Token)库,在0.12.0版本中对JWT构建时的audience(aud)声明处理方式进行了重大变更。这一变更导致了一些向后兼容性问题,特别是当开发者尝试使用非字符串类型的aud声明时。
问题现象
在JJWT 0.12.0及以上版本中,当开发者尝试构建JWT时,如果aud声明不是字符串类型,会抛出IllegalArgumentException异常。具体表现为:
-
当aud声明为List类型时,错误信息为:"Invalid Map 'aud' (Audience) value: [invalid-clientId, test-aud]. Unsupported value type. Expected: java.lang.String, found: java.util.ArrayList"
-
当aud声明为Boolean类型时,错误信息为:"Invalid Map 'aud' (Audience) value: true. Unsupported value type. Expected: java.lang.String, found: java.lang.Boolean"
技术原因
这一变更源于JJWT对RFC 7519规范的更严格实现。根据JWT规范:
- audience声明(aud)可以接受两种形式:
- 单个字符串值
- 字符串数组(即List)
JJWT 0.12.0版本引入了更严格的类型检查,确保aud声明符合规范要求。任何不符合这两种形式的aud值都会被拒绝。
解决方案
1. 使用新的Builder API
JJWT 0.12.0引入了专门的audience构建器来正确处理aud声明:
// 单个audience值
Jwts.builder().audience().add("single-audience").and()...
// 多个audience值
List<String> audiences = Arrays.asList("aud1", "aud2");
Jwts.builder().audience().add(audiences).and()...
2. 避免使用通用claim方法
不再推荐使用通用的claim()方法来设置aud声明:
// 不推荐 - 可能导致异常
Jwts.builder().claim("aud", someValue)...
// 特别避免以下用法
Jwts.builder().claim("aud", true)... // Boolean类型
Jwts.builder().claim("aud", 123)... // 数字类型
3. 类型安全考虑
开发者应当注意:
- 只使用String或List作为aud值
- 其他类型(如Boolean、Number等)不符合规范,会被拒绝
- 从0.12.0开始,类型检查更加严格,这是为了确保生成的JWT完全符合标准
迁移建议
对于从旧版本迁移的开发者:
- 检查所有设置aud声明的代码
- 将使用
claim("aud", ...)的地方改为使用新的audience构建器API - 确保所有aud值都是字符串或字符串集合
- 添加适当的测试来验证aud声明的设置
总结
JJWT 0.12.0对aud声明的处理更加规范和安全,虽然这带来了一些迁移成本,但有助于生成符合标准的JWT。开发者应当使用新的audience构建器API来设置aud声明,并确保只使用规范允许的类型。这一变更体现了JJWT项目对标准合规性的重视,有助于提高JWT的互操作性和安全性。
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