OpenSC项目中EC和EDDSA公钥编码格式的技术解析
背景介绍
在OpenSC项目中,椭圆曲线(EC)和Edwards曲线数字签名算法(EDDSA)公钥的编码格式一直存在一些技术争议。本文将从密码学标准的角度,深入分析OpenSC项目中公钥编码的实现方式及其合理性。
两种编码格式对比
OpenSC项目在处理EC和EDDSA公钥时,主要采用两种不同的编码方式:
-
SPKI格式:符合PKCS#15和X.509证书标准,采用ASN.1序列结构,包含曲线OID和以BIT STRING格式编码的公钥数据。这种格式被广泛认可为标准实现。
-
OCTET STRING格式:直接将公钥数据编码为ASN.1 OCTET STRING。这种格式主要用于OpenSC内部处理。
标准规范分析
经过深入研究相关密码学标准,我们发现:
-
ANSI X9.62标准明确指出:"椭圆曲线公钥(作为OCTET STRING的ECPoint)被映射到subjectPublicKey(一个BIT STRING)"。这表明在SubjectPublicKeyInfo结构中,ECPoint应作为BIT STRING呈现。
-
PKCS#11规范要求CKA_EC_POINT属性应为"ANSI X9.62 ECPoint值的DER编码"。
-
RFC 8410同样规定EdDSA和ECDH的公钥应使用BIT STRING格式。
OpenSC的实现演变
OpenSC对EC公钥的支持始于2010年,最初实现采用了OCTET STRING格式:
static struct sc_asn1_entry c_asn1_ec_pointQ[2] = {
{ "ecpointQ", SC_ASN1_OCTET_STRING, SC_ASN1_TAG_OCTET_STRING, SC_ASN1_ALLOC, NULL, NULL },
{ NULL, 0, 0, 0, NULL, NULL }
};
这种实现方式实际上符合ANSI X9.62对ECPoint的定义,即当不作为SubjectPublicKeyInfo使用时,ECPoint确实应表示为OCTET STRING。
PKCS#15标准的解读
PKCS#15 v1.1标准定义了ECPublicKeyChoice结构:
ECPublicKeyChoice ::= CHOICE {
raw ECPoint,
spki SubjectPublicKeyInfo,
...
}
这表明智能卡上可以存储两种格式的公钥:原始的ECPoint或完整的SubjectPublicKeyInfo。OpenSC对这两种格式的支持都是合理的。
PKCS#11属性的考量
在PKCS#11规范中:
-
CKO_PUBLIC_KEY对象不包含CKA_VALUE属性,但在v2.40和3.0版本中增加了CKA_PUBLIC_KEY_INFO属性。
-
OpenSC目前实现了CKA_VALUE和CKA_SPKI(作为供应商特定属性),未来可以增加对CKA_PUBLIC_KEY_INFO的支持。
实际应用示例
以YubiKey使用brainpoolP256r1曲线为例,当前输出显示:
EC_POINT: 0441042853adc20c3fb426b0b85483baa870a6f0bcdbb3e17ead4e18552614910ada25118d1ca82b0f44c15b90ee19950b182749a395a2940985ee6d3358a5ea43b434
这里的'04'标签表示OCTET STRING,后跟未压缩格式的EC公钥数据(04||x||y),这种表示方式在非SubjectPublicKeyInfo场景下是正确的。
结论
经过深入分析密码学标准和OpenSC实现,我们得出以下结论:
-
OpenSC当前对EC和EDDSA公钥的两种编码方式都是正确的,分别适用于不同场景。
-
在SubjectPublicKeyInfo结构中,公钥必须使用BIT STRING格式。
-
在原始ECPoint表示和其他内部使用场景中,OCTET STRING格式同样符合标准。
因此,OpenSC现有的实现方式不需要修改,但可以进一步完善对PKCS#11新属性的支持,以提升兼容性。
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