深入理解JWT:lcomment/development-recipes中的Web安全认证方案
2025-06-25 21:04:18作者:胡唯隽
什么是JWT?
JWT(Json Web Token)是一种开放标准(RFC 7519),用于在网络应用环境间安全地传递声明。它已成为现代Web开发中身份验证和授权的首选方案之一。
JWT的核心组成
JWT由三部分组成,通过点号(.)连接:
-
Header(头部)
- 包含令牌类型(typ)和签名算法(alg)
- 示例:
{"alg": "HS256", "typ": "JWT"}
-
Payload(有效载荷)
- 包含声明(claims),即有关实体(通常是用户)和其他数据的声明
- 分为三类声明:
- 注册声明(预定义):如iss(签发者)、exp(过期时间)
- 公共声明:可自定义但建议遵循IANA标准
- 私有声明:自定义的声明
-
Signature(签名)
- 对前两部分的签名,防止数据篡改
- 使用Base64编码的header和payload,加上一个密钥(secret)生成
JWT的工作流程
- 用户使用凭证(如用户名/密码)登录
- 服务器验证凭证并生成JWT
- 服务器将JWT返回给客户端
- 客户端在后续请求中携带JWT(通常在Authorization头中)
- 服务器验证JWT并处理请求
为什么需要Refresh Token?
Access Token虽然方便,但存在安全隐患:
- 一旦泄露,攻击者可在有效期内冒充用户
- 无法在服务端主动使其失效
Refresh Token的引入解决了这些问题:
- 双重验证机制:Access Token(短期)+ Refresh Token(长期)
- 增强安全性:Refresh Token存储在服务端,可随时撤销
- 减少风险:即使Access Token泄露,有效期短且无法获取新Token
实际应用中的最佳实践
-
合理设置有效期:
- Access Token:15分钟-1小时
- Refresh Token:7天-30天
-
安全存储:
- 前端:使用HttpOnly、Secure的Cookie或localStorage
- 后端:加密存储Refresh Token
-
令牌轮换:
- 每次使用Refresh Token获取新Access Token时,同时生成新Refresh Token
- 防止Refresh Token被重复使用
-
黑名单机制:
- 对于需要主动注销的情况,维护短期有效的令牌黑名单
常见问题与解决方案
-
XSS攻击:
- 解决方案:使用HttpOnly Cookie存储令牌
-
CSRF攻击:
- 解决方案:使用SameSite Cookie属性和CSRF Token
-
令牌泄露:
- 解决方案:实现令牌撤销机制和IP绑定
-
性能考虑:
- 解决方案:使用无状态验证,避免每次请求都查询数据库
总结
JWT提供了一种简洁、自包含的方式在各方之间安全传输信息。通过合理使用Access Token和Refresh Token的组合,可以在保证用户体验的同时提高系统安全性。lcomment/development-recipes项目中展示的JWT实现方案,为开发者提供了一个可靠的Web认证参考模型。
在实际开发中,应根据具体业务需求和安全要求,调整令牌的有效期、存储方式和验证逻辑,构建最适合自己应用的认证体系。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0115
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
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++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
297
114
昇腾LLM分布式训练框架
Python
178
220