Microsoft365DSC中AADConditionalAccessPolicy资源迁移MFA策略的技术解析
2025-07-08 06:27:13作者:董灵辛Dennis
背景概述
在Azure AD(现称Entra ID)的现代化身份验证管理中,微软逐步将传统的多因素认证(MFA)控制方式迁移到更灵活的Authentication Strength策略。Microsoft365DSC作为自动化配置管理工具,其AADConditionalAccessPolicy资源在此迁移过程中可能遇到策略更新冲突问题。
问题本质
当管理员尝试通过Microsoft365DSC将现有的条件访问策略从传统MFA控制方式(builtInControls: ['mfa'])升级为Authentication Strength模式时,系统会返回错误代码"1108: Authentication strengths cannot be used alongside the MFA built-in control"。其根本原因在于:
- 请求构造缺陷:DSC资源在生成Graph API请求时,虽然显式指定了
BuiltInControls = @()空数组,但该参数未被包含在实际API调用中 - 策略冲突检测:Azure AD后端服务会强制校验新旧控制方式的互斥性,要求必须先完全移除旧式MFA控制才能启用新式认证强度策略
技术细节分析
当前行为表现
现有DSC资源配置示例:
{
DisplayName = 'MFA TEST'
State = 'enabled'
ClientAppTypes = @('All')
IncludeApplications = @('All')
IncludeGroups = @('Azure-MFA')
AuthenticationStrength = 'Multifactor authentication'
BuiltInControls = @() # 显式声明空数组
GrantControlOperator = 'OR'
}
实际生成的Graph API请求缺失关键字段:
{
"grantControls": {
"authenticationStrength": {
"id": "00000000-0000-0000-0000-000000000002"
},
"operator": "OR"
}
// 缺少 builtInControls: [] 声明
}
预期正确行为
合规的API请求应包含显式的空数组声明:
{
"grantControls": {
"authenticationStrength": {...},
"builtInControls": [], // 必须显式声明
"operator": "OR"
}
}
临时解决方案
目前推荐的变通方案是采用两阶段操作:
- 完全删除旧策略:先通过DSC或手动方式移除使用传统MFA控制的条件访问策略
- 创建新策略:重新部署配置为Authentication Strength的新策略
示例操作流程:
# 阶段1:移除旧策略
Remove-AADConditionalAccessPolicy -Identity "Legacy_MFA_Policy"
# 阶段2:创建新策略
New-AADConditionalAccessPolicy @{
DisplayName = "Modern_MFA_Policy"
AuthenticationStrength = "Multifactor authentication"
BuiltInControls = @() # 显式声明
# 其他必要参数...
}
最佳实践建议
- 测试环境验证:在非生产环境先验证策略迁移过程
- 配置导出检查:使用
Export-M365DSCConfiguration导出现有策略时,确认所有参数(包括空值参数)都被正确包含 - 变更时间窗口:规划维护时段执行迁移,避免影响用户认证体验
- 监控验证:迁移后通过Azure AD登录日志验证策略生效情况
未来优化方向
该问题本质上是DSC资源与Graph API交互逻辑的缺陷,理想修复方案应包括:
- 请求构造优化:确保空数组参数不被过滤
- 迁移流程增强:实现自动化的策略转换逻辑
- 错误处理改进:提供更明确的错误指引和修复建议
建议持续关注Microsoft365DSC的版本更新,该问题预计会在后续版本中得到官方修复。对于关键业务系统,建议通过微软支持渠道获取官方解决方案时间表。
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
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
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.9 K
暂无简介
Dart
671
156
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
261
322
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++
661
312
🎉 (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
1.2 K
655
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
15
1