grpc基础设置，思考gRPC为什么是protobuf
grpc基础设置，思考gRPC为什么是protobuf跨语言的序列化方案在当初Google开源protobuf时，很多人就期待是否能把RPC的实现也一起开源出来。没想到最终出来的是gRPC，终于补全了这一块。背景谈到RPC，就避免不了序列化的话题。gRPC默认的序列化方式是protobuf，原因很简单，因为两者都是google发明的，哈哈。
本文来自阿里云云栖社区，未经许可禁止转载。
更多资讯，尽在云栖科技快讯~
来科技快讯看新闻鸭~
快点关注我认识我爱上我啊~~~
背景
谈到RPC，就避免不了序列化的话题。
gRPC默认的序列化方式是protobuf，原因很简单，因为两者都是google发明的，哈哈。
在当初Google开源protobuf时，很多人就期待是否能把RPC的实现也一起开源出来。没想到最终出来的是gRPC，终于补全了这一块。
跨语言的序列化方案
事实上的跨语言序列化方案只有三个： protobuf thrift json。
- json体积太大，并且缺少类型信息，实际上只用在RESTful接口上，并没有看到RPC框架会默认选json做序列化的。
国内一些大公司的使用情况：
- protobuf ，腾迅，百度等
- thrift，小米，美团等
- hessian， 阿里用的是自己维护的版本，有js/cpp的实现，因为阿里主用java，更多是历史原因。
序列化里的类型信息
序列化就是把对象转换为二进制数据，反序列化就把二进制数据转换为对象。
各种序列化库层出不穷，其中有一个重要的区别：类型信息存放在哪？
可以分为三种：
- 不保存类型信息
- 典型的是各种json序列化库，优点是灵活，缺点是使用的双方都要知道类型是什么。当然有一些json库会提供一些扩展，偷偷把类型信息插入到json里。
- 类型信息保存到序列化结果里
- 比如java自带的序列化，hessian等。缺点是类型信息冗余。比如RPC里每一个request都要带上类型。因此有一种常见的RPC优化手段就是两端协商之后，后续的请求不需要再带上类型信息。
- 在生成代码里带上类型信息
- 通常是在IDL文件里写好package和类名，生成的代码直接就有了类型信息。比如protobuf thrift。缺点是需要生成代码，双方都要知道IDL文件。
类型信息看起来是一个小事，但在安全上却会出大问题，后面会讨论。
实际使用中序列化有哪些问题
这里讨论的是没有IDL定义的序列化方案，比如java自带的序列化，hessian 各种json库。
- 大小莫名增加，比如用户不小心向map里put了大对象。
- 对象之间互相引用，用户根本不清楚序列化到底会产生什么结果，可能新加一个field就不小心被序列化了
- enum类新增加的不能识别，当两端的类版本不一致时就会出错
- 哪些字段应该跳过序列化 ，不同的库都有不同的 @Ignore ，没有通用的方案
- 很容易把一些奇怪的类传过来，然后对端报ClassNotFoundException
- 新版本jdk新增加的类不支持，需要序列化库不断升级，如果没人维护就悲剧了
- 库本身的代码质量不高，或者API设计不好容易出错，比如kryo
gRPC是protobuf的一个插件
以gRPC官方的Demo为例：
package helloworld; // The greeting service definition. service Greeter { // Sends a greeting rpc SayHello (HelloRequest) returns (HelloReply) {} } // The request message containing the user's name. message HelloRequest { string name = 1; } // The response message containing the greetings message HelloReply { string message = 1; }
可以看到rpc的定义也是写在proto文件里的。实际上gRPC是protobuf的一个扩展，通过扩展生成gRPC相关的代码。
protobuf并不是完美解决方案
在protobuf出来以后，也不断出现新的方案。比如
- https://github.com/capnproto/capnproto
- https://github.com/google/flatbuffers
- https://avro.apache.org/
protobuf的一些缺点：
- 缺少map/set的支持(proto3支持map)
- Varint编码会消耗CPU
- 会影响CPU缓存，比如比较大的int32从4字节用Varint表示是5字节就不对齐了
- 解码时要复制一份内存，不能做原地内存引用的优化
- protobuf在google 2008年公开的，内部使用自然更早。当时带宽还比较昂贵，现在人们对速度的关注胜过带宽了。
protobuf需要生成代码的确有点麻烦，所以会有基于java annotation的方案：
- https://github.com/protostuff/protostuff
同样thrift有：
- https://github.com/facebookarchive/swift
序列化被人忽视的安全性问题
序列化漏洞危害很大
- 序列化漏洞通常比较严重，容易造成任意代码执行
- 序列化漏洞在很多语言里都会有，比如Python Pickle序列化漏洞。
很多程序员不理解为什么反序列化可以造成任意代码执行。
反序列化漏洞到底是怎么工作的呢？很难直接描述清楚，这些漏洞都有很精巧的设计，把多个地方的代码串联起来。可以参考这个demo，跑起来调试下就可以有直观的印象：
- https://github.com/hengyunabc/dubbo-apache-commons-collections-bug
这里有两个生成java序列化漏洞代码的工具：
- https://github.com/frohoff/ysoserial
- https://github.com/mbechler/marshalsec
常见的库怎样防止反序列化漏洞
下面来看下常见的序列化方案是怎么防止反序列化漏洞的：
- Java Serialization
- jdk里增加了一个filter机制 http://openjdk.java.net/jeps/290 ，这个一开始是出现在jdk9上的，后面移值回jdk6/7/8上，如果安装的jdk版本是比较新的，可以找到相关的类
- Oracle打算废除java序列化：https://www.infoworld.com/article/3275924/java/oracle-plans-to-dump-risky-java-serialization.html
- jackson-databind
- jackson-databind里是过滤掉一些已知的类，参见SubTypeValidator.java
- jackson-databind的CVE issue列表
- fastjson
- fastjson通过一个denyList来过滤掉一些危险类的package，参见ParserConfig.java
- fastjson在新版本里denyList改为通过hashcode来隐藏掉package信息，但通过这个DenyTest5可以知道还是过滤掉常见危险类的package
- fastjson在新版本里默认把autoType的功能禁止掉了
所以总结下来，要么白名单，要么黑名单。当然黑名单机制不能及时更新，业务方得不断升jar包，非常蛋疼。白名单是比较彻底的解决方案。
为什么protobuf没有序列化漏洞
这些序列化漏洞的根本原因是：没有控制序列化的类型范围
为什么在protobuf里并没有这些反序列化问题？
- protobuf在IDL里定义好了package范围
- protobuf的代码都是自动生成的，怎么处理二进制数据都是固定的
protobuf把一切都框住了，少了灵活性，自然就少漏洞。
总结
- 应该重视反序列化漏洞，毕竟Oracle都不得不考虑把java序列化废弃了
- 序列化漏洞的根本原因是：没有控制序列化的类型范围
- 防止序列化漏洞，最好是使用白名单
- protobuf通过IDL生成代码，严格控制了类型范围
- protobuf不是完美的方案，但是作为跨语言的序列化事实方案之一，IDL生成代码比较麻烦也不是啥大问题
