MyBatis-Plus密钥生成机制的安全隐患与改进方案
2025-05-13 13:41:55作者:史锋燃Gardner
背景介绍
MyBatis-Plus作为MyBatis的增强工具,在日常开发中被广泛使用。在框架内部实现中,涉及到一个AES加密工具类,其中包含了一个生成随机密钥的方法generateRandomKey()。该方法原本的实现方式存在一定的安全隐患,值得开发者关注。
原实现分析
在MyBatis-Plus 3.0版本中,AES工具类通过以下方式生成随机密钥:
public static String generateRandomKey() {
return IdWorker.get32UUID().substring(0, 16);
}
这段代码的工作原理是:
- 调用
IdWorker.get32UUID()生成一个32位的UUID字符串 - 截取前16位作为AES加密密钥
安全隐患
这种实现方式存在几个潜在问题:
-
熵值不足:UUID虽然具有唯一性,但其随机性并不等同于密码学安全的随机数。UUID的生成算法通常基于时间戳、MAC地址等信息,这些信息可能被预测。
-
截断操作:直接截取UUID的前16位会进一步降低密钥的随机性。在密码学中,密钥的每一位都应该具有最大熵值。
-
不符合安全规范:密码学标准建议使用专门的加密安全随机数生成器来生成密钥材料。
密码学安全随机数
在Java中,SecureRandom类是专门为密码学操作设计的随机数生成器。它能够:
- 使用操作系统提供的熵源(如Linux的/dev/random)
- 实现各种加密安全算法(如SHA1PRNG、NativePRNG等)
- 满足FIPS 140-2等安全标准要求
改进方案
更安全的实现方式应该是:
public static String generateRandomKey() {
SecureRandom random = new SecureRandom();
byte[] bytes = new byte[16]; // 128位
random.nextBytes(bytes);
return Hex.encodeHexString(bytes);
}
这种改进方案:
- 使用
SecureRandom生成真正的密码学安全随机数 - 直接生成16字节(128位)的随机数据,符合AES-128标准
- 通过十六进制编码转换为字符串形式
实际影响
虽然MyBatis-Plus中的AES加密主要用于框架内部的一些简单场景,但作为基础工具类,遵循密码学最佳实践仍然很重要。特别是在以下场景中:
- 当开发者直接使用这个工具类处理敏感数据时
- 当系统需要满足某些安全合规要求时
- 当密钥需要长期使用时
开发者建议
对于使用MyBatis-Plus的开发者,建议:
- 如果涉及重要数据的加密,应该使用专门的加密库
- 定期更新密钥,不要长期使用同一个密钥
- 对于生产环境,考虑使用密钥管理系统(KMS)来管理加密密钥
- 关注框架的更新,及时升级到修复了安全问题的版本
总结
密码学安全是一个容易被忽视但极其重要的领域。框架作为基础设施,其安全实现会影响到所有使用它的应用。MyBatis-Plus团队已经注意到这个问题并进行了修复,这体现了他们对安全性的重视。作为开发者,我们也应该在自己的代码中遵循密码学最佳实践,确保系统安全。
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
暂无简介
Dart
671
155
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++
660
309
Ascend Extension for PyTorch
Python
220
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
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
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
3.84 K
React Native鸿蒙化仓库
JavaScript
259
322