当前位置:首页 > 文章列表 > 文章 > php教程 > PHP password_hash 怎样选择可迁移的密码算法

PHP password_hash 怎样选择可迁移的密码算法

来源:17golang原创 2026-10-29 04:12:40 0浏览 收藏

给登录系统换密码算法时,真正麻烦的不是把 password_hash() 调起来,而是旧哈希已经落库、不同机器的算法能力不一致,未来默认算法还可能变化。我的做法是:新用户优先使用 PASSWORD_DEFAULT,把数据库字段留到至少 255 字节;如果部署环境明确支持 Argon2,再评估 PASSWORD_ARGON2ID;登录成功后用 password_needs_rehash() 渐进升级旧记录。

可迁移的关键是“验证接口稳定、存储空间充足、升级发生在成功登录之后”,而不是把某个算法名永久写死。PASSWORD_DEFAULT 的具体算法可能随 PHP 的完整版本变化,哈希结果本身已经携带验证所需的算法、cost 和 salt 信息。

官方依据:https://www.php.net/manual/en/function.password-hash.php

本文只讨论 PHP 原生密码哈希的选择与迁移,不讨论自研密码算法、明文存储或绕过认证。

先用 PASSWORD_DEFAULT 作为可迁移默认

如果应用没有明确的跨平台约束,我会先把新密码的入口写成 PASSWORD_DEFAULT。PHP 手册说明它当前使用 bcrypt,但这个常量的设计目标就是在未来切换到更强算法,因此代码不需要跟着每次默认算法变化而重写。

这也决定了字段设计:不要按当前 bcrypt 结果的 60 个字符卡死列宽,使用 VARCHAR(255) 或更宽的等价字段。手册特别提醒,PASSWORD_DEFAULT 的结果长度可能随时间改变。

password_hash、算法常量、环境能力与varchar255存储边界的静态关系说明图
图1:算法选择边界结构说明图,展示哈希入口、算法策略、环境能力和存储长度之间的静态关系;这是说明图,不是运行截图。

最小配方:先看环境,再决定是否显式用 Argon2id

PASSWORD_ARGON2ID 适合已经确认 PHP 构建具备 Argon2 支持、并且服务端能承担相应内存与计算成本的部署。它不是只改一个常量就结束:生产环境、队列 worker 和测试环境的能力都要纳入同一套部署判断。

如果多个运行环境的 password_algos() 结果不同,不要让同一批应用实例各自选择策略。更稳妥的做法是把算法策略作为部署配置统一下发;无法统一时,就使用所有实例都支持的 PASSWORD_DEFAULT。需要强制跨环境兼容时,显式选择 PASSWORD_BCRYPT 也可以,但要接受它的参数边界和未来迁移成本。

把参数边界写进配方,而不是凭感觉调 cost

bcrypt 会把输入密码截断到最多 72 字节,所以前端允许超长密码时,后端仍要明确告知这一边界,不要误以为超过部分继续提供了等量保护。另一个常见误区是手动生成 salt;PHP 8.0 起显式提供的 salt 会被忽略,官方建议直接使用自动生成的安全 salt。

cost、memory_cost、time_cost 和 threads 都应在实际机器上测量。官方示例把交互式登录的哈希耗时控制在约 350 毫秒以内作为参考目标;PHP 8.4 还把 bcrypt 默认 cost 从 10 提升到了 12,因此不能把旧机器上的耗时假设带到新版本。

 12];
$hash = password_hash($plainPassword, PASSWORD_BCRYPT, $options);

// 登录校验统一使用 password_verify,不要自行拆 hash 字符串比较。
$valid = password_verify($plainPassword, $hash);
echo $valid ? '密码匹配' : '密码不匹配';
?>

如果选择 PASSWORD_DEFAULT,通常不需要手动固定 cost;如果显式选择 bcrypt 或 Argon2,则应把参数当作部署策略管理,并在升级 PHP、迁移机器或调整资源后重新测量。

登录成功后用 password_needs_rehash 迁移

迁移旧算法时,不要拿数据库里的旧哈希直接重算,也不要在密码尚未验证时覆盖它。正确的切入点是:先用 password_verify() 验证用户刚提交的密码,验证成功后再检查当前哈希是否符合新策略,最后用同一个明文密码生成新哈希并更新记录。

stored_hash、password_verify、password_needs_rehash与users.password_hash的静态关系说明图
图2:渐进迁移边界说明图,展示登录验证、策略判断、新哈希和用户记录之间的静态职责关系;这是说明图,不是运行截图。

这种方式不会要求一次性重置全部用户密码:活跃用户在下次成功登录时升级,长期不登录的旧记录继续由 password_verify() 识别。若策略是显式的 Argon2id 或 bcrypt,password_needs_rehash() 的第二、第三参数就应传入同一套算法和 options。

常见问题

为什么不永远固定 PASSWORD_BCRYPT?

如果确实需要跨环境固定 bcrypt,可以显式指定;但它会把算法选择和 72 字节输入限制固定在当前策略上。没有这种兼容要求时,PASSWORD_DEFAULT 配合足够宽的字段更利于后续升级。

数据库字段为什么建议 255 字节?

因为 PASSWORD_DEFAULT 的结果长度可能随未来默认算法改变。按当前 60 字符结果设计,迁移时可能出现截断;VARCHAR(255) 是手册给出的合适预留方向。

总结

PHP password_hash() 的可迁移方案可以归纳为四点:新代码优先使用 PASSWORD_DEFAULT;字段按未来长度预留;Argon2id 或 bcrypt 的参数要结合实际环境选择;旧哈希只在 password_verify() 成功后通过 password_needs_rehash() 渐进升级。这样变化被封装在验证与迁移策略里,用户不需要因为算法演进而一次性重置密码。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
PHP quoted_printable_decode 为什么不会自动转换字符集PHP quoted_printable_decode 为什么不会自动转换字符集
上一篇
PHP quoted_printable_decode 为什么不会自动转换字符集
PHP finfo_file 怎样识别上传文件类型
下一篇
PHP finfo_file 怎样识别上传文件类型
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    765次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    762次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    843次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    814次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    641次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码