Python中动态生成数学计算函数的方案是否高效安全？

你当前实现的核心问题有两个：一是直接用eval()执行字符串的安全风险靠前置词法、语法校验很难完全覆盖，Python语法灵活度极高，恶意构造的输入很容易绕过你写的校验规则拿到系统执行权限；二是每次调用函数都执行eval()会重复做字符串解析、语法分析，性能很差。

eval()本身绝对不是这类需求的最优解，下面是几个更合理的选型方向，按改造成本从低到高排列：

方案1：AST白名单校验+预编译字节码（改动最小，平衡安全与性能） #

你已经完成了词法分析、生成合法Python表达式字符串的步骤，不需要推翻现有逻辑，只要在执行前加两层处理即可：

• 第一步：把生成的表达式字符串解析为Python抽象语法树（AST），遍历所有语法节点做严格白名单拦截，仅保留数学计算必需的节点：数值常量、输入变量读取、加减乘除幂等算术运算、正负号等一元运算、你提前注册的数学函数（如np.sin、np.cos），所有其他节点（属性访问、导入语句、lambda、列表推导、魔法方法调用等）直接判定为非法输入拦截。
• 第二步：校验通过的AST用内置compile()方法预编译为字节码，后续调用函数时不再解析字符串，直接执行预编译好的字节码；执行时严格隔离命名空间，屏蔽所有内置方法、未授权的模块引用，只传入允许使用的数学函数和输入参数。

这个方案的性能比直接调用字符串eval()高1~2个数量级，因为编译动作只在初始化时做一次，后续调用没有重复解析开销；同时因为所有执行逻辑都经过白名单校验，安全风险比直接执行用户可控的字符串低几个量级。
参考最小实现逻辑：

import ast
import numpy as np

# 白名单配置
ALLOWED_NODE_TYPES = {
    ast.Expression, ast.Constant, ast.Name, ast.Load,
    ast.BinOp, ast.Add, ast.Sub, ast.Mult, ast.Div, ast.Pow,
    ast.UnaryOp, ast.UAdd, ast.USub, ast.Call
}
ALLOWED_MATH_FUNCS = {"sin": np.sin, "cos": np.cos, "tan": np.tan, "log": np.log, "sqrt": np.sqrt}
ALLOWED_INPUT_VARS = {"x", "y"}

def safe_math_compile(expr_str: str):
    # 解析为AST
    ast_tree = ast.parse(expr_str, mode="eval")
    # 全节点校验
    for node in ast.walk(ast_tree):
        if type(node) not in ALLOWED_NODE_TYPES:
            raise ValueError(f"表达式包含非法语法: {type(node).__name__}")
        if isinstance(node, ast.Call):
            if not isinstance(node.func, ast.Name) or node.func.id not in ALLOWED_MATH_FUNCS:
                raise ValueError("表达式包含非法函数调用")
        if isinstance(node, ast.Name) and isinstance(node.ctx, ast.Load):
            if node.id not in ALLOWED_INPUT_VARS and node.id not in ALLOWED_MATH_FUNCS:
                raise ValueError(f"表达式包含非法变量引用: {node.id}")
    # 预编译为字节码
    code_obj = compile(ast_tree, filename="<math_expr>", mode="eval")
    # 构造隔离命名空间，完全屏蔽内置危险方法
    safe_globals = {"__builtins__": {}}
    safe_globals.update(ALLOWED_MATH_FUNCS)

    def runner(x: float, y: float) -> float:
        safe_locals = {"x": x, "y": y}
        return eval(code_obj, safe_globals, safe_locals)
    return runner

方案2：使用专用数学表达式解析库（维护成本最低，安全兜底可靠） #

不需要自己实现词法分析、语法校验逻辑，直接用成熟的数学表达式求值库即可，这类库从设计上就不支持执行任意Python代码，从根源上杜绝代码注入风险，同时大多做了数值计算性能优化。
常见选型：

• 面向数组计算优化的numexpr，支持多线程并行计算，大规模数值运算场景下性能比numpy原生实现高好几倍；
• 轻量安全求值器asteval，本身基于AST白名单实现，支持自定义函数、变量，适配场景灵活。
  这类方案的接入成本极低，你只需要把用户输入的数学表达式传入库的编译接口，拿到编译后的可调用对象即可直接调用，不需要自己维护复杂的校验规则。

方案3：JIT编译为原生机器码（性能最高，适合高频计算场景） #

如果你的函数需要被大规模调用（比如百万次以上的数值模拟、绘图计算），对性能要求极高，可以把数学表达式通过JIT技术编译为原生机器码执行，速度和手写C代码相当，完全没有Python解释器的开销。
常见实现路径是用sympy解析用户输入的表达式转为符号函数，再通过numba做JIT编译，全程不会执行任意Python代码，既没有安全风险，性能也拉满。

注意：不要觉得自己写的前置词法、语法校验能挡住所有注入攻击，Python的语法糖和动态特性太多，靠字符串规则匹配拦截的方式永远有漏网之鱼，要么做严格的AST节点白名单，要么用天生不执行通用代码的专用库，才能真正把安全风险控住。

内容的提问来源于stack exchange，提问作者mkj05