sudo-rs项目在Fedora Linux系统上的兼容性改进
2025-06-26 00:01:09作者:乔或婵
背景介绍
sudo-rs是一个用Rust语言实现的安全sudo替代方案,旨在提供更安全的特权升级机制。在将该项目移植到Fedora Linux系统时,开发团队发现了一些测试用例失败的问题,这些问题主要涉及系统接口兼容性和文件权限检查。
主要兼容性问题分析
1. 系统审计测试失败
项目中的secure_open_is_predictable测试用例原本设计用于验证对特定系统文件(如utmp/wtmp)的安全访问控制。这些文件通常具有特殊的所有权设置,是测试权限检查的理想候选对象。
在Fedora环境中,测试失败的原因是/var/lib/wtmp文件不存在。深入分析发现:
- utmp文件记录当前登录用户会话
- wtmp文件记录历史登录/注销信息
- 两种文件都符合测试需求(非root用户可写但不由root直接拥有)
2. 用户/组ID测试差异
测试用例test_unix_user和test_unix_group存在硬编码假设:
- 假设"daemon"用户的UID为1
- 假设"daemon"组的GID为1
然而在Fedora系统中:
- "daemon"用户实际UID为2
- "daemon"组实际GID为2
这种差异源于不同Linux发行版对系统用户/组ID分配策略的不同。
解决方案
1. 改进系统审计测试
开发团队提出了两种解决方案:
- 寻找一个在大多数Linux发行版中都存在的、具有特定权限特征的系统文件
- 将这部分测试迁移到合规性框架中,在测试环境中动态创建符合要求的文件
最终采用了更灵活的测试策略,避免对特定系统文件的依赖。
2. 优化用户/组测试
对于用户和组ID测试的改进方案:
- 不再硬编码特定ID值
- 改为验证ID是否在系统用户/组的标准范围内(0-1000)
- 确保查询功能能正确获取指定用户/组的ID
这种改进使测试更具可移植性,同时仍能有效验证核心功能。
技术启示
-
可移植性设计:系统级软件开发需要考虑不同发行版的差异,避免对特定环境做出假设。
-
测试策略:
- 单元测试应关注核心逻辑而非具体实现细节
- 系统级测试可以考虑使用mock或专用测试框架
- 硬编码值应谨慎使用,特别是涉及系统配置时
-
持续集成:将Fedora纳入CI测试环境有助于及早发现系统兼容性问题。
总结
通过对这些测试用例的改进,sudo-rs项目增强了对不同Linux发行版的兼容性,特别是Fedora系统。这一过程也体现了良好的软件开发实践:发现问题后不仅修复当前问题,更思考如何改进设计以避免类似问题再次发生。这种对可移植性和测试质量的关注,对于系统安全软件尤为重要。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137