JJWT项目安全升级:不再支持非none算法的未签名JWT解析
在JJWT库从0.11.5版本升级到0.12.3版本的过程中,一个重要的安全变更引起了开发者注意:库不再支持解析带有非none算法声明但实际未签名的JWT令牌。这一变更反映了JWT规范的最新安全要求,也标志着JJWT在安全性方面的进一步强化。
背景与变更内容
在旧版JJWT中,开发者可以解析格式为"xxxx.yyyy"的JWT(即去掉签名部分的令牌),即使其头部声明的算法不是"none"。这种用法在某些特殊场景下被采用,例如当系统需要临时绕过签名验证时。
然而,从0.12.3版本开始,JJWT严格执行RFC 7518规范的第8.5节要求:只有明确声明算法为"none"的JWT才能被作为未签名令牌解析。如果尝试解析带有其他算法声明(如ES256、RS256等)但缺少签名部分的JWT,将会抛出UnsupportedJwtException异常。
安全考量与技术原理
这一变更背后有着深刻的安全考量:
-
规范合规性:JWT规范明确要求,任何声明了签名算法但实际上未包含签名的令牌都应被视为无效。这是为了防止潜在的令牌篡改攻击。
-
安全边界清晰:强制要求显式声明"none"算法,使得系统的安全边界更加明确。开发者无法意外地忽略签名验证,必须明确选择不验证签名。
-
防止中间人攻击:如果允许去掉签名部分后仍然解析令牌,攻击者可能截获有效JWS后去掉签名,使系统接受未经验证的内容。
迁移方案与最佳实践
对于确实需要处理未签名JWT的场景,推荐以下做法:
-
显式声明none算法:确保JWT头部明确包含"alg":"none"声明。这是规范认可的唯一合法未签名JWT形式。
-
令牌转换模式:如果必须处理来自第三方的签名JWT,建议先完整验证其签名,然后生成一个新的未签名JWT(带有none算法声明)供内部使用。
-
安全警告:任何使用未签名JWT的方案都应谨慎评估,因为这意味着放弃了JWT最重要的安全特性——防篡改。
技术实现细节
新版JJWT通过以下机制实现这一安全要求:
-
算法声明检查:在解析未签名JWT时,会严格检查头部alg字段是否为"none"。
-
签名存在性验证:对于声明了签名算法的JWT,必须包含完整的签名部分(即三段式结构)。
-
明确的API设计:通过unsecured()方法链明确标识出"不验证签名"的解析意图,避免隐式行为。
这一变更虽然可能导致部分现有代码需要调整,但从长远看有助于构建更安全的JWT处理系统,也使得JJWT的行为更加符合行业标准和最佳实践。开发者在升级时应评估现有实现,确保符合新的安全要求。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00