Rustls项目中TLS 1.3签名方案扩展性问题的分析与解决
在Rustls项目中,开发者发现了一个关于TLS 1.3协议中签名方案(SignatureScheme)扩展性的重要问题。这个问题主要出现在尝试为Rustls添加后量子密码学(PQC)算法支持时,特别是当开发者尝试集成liboqs库中的ML-DSA签名算法时。
问题背景
Rustls是一个用Rust编写的现代化TLS库,以其安全性和性能著称。在TLS 1.3协议中,签名方案的选择是一个关键环节,它决定了客户端和服务器之间如何进行身份验证和数据完整性保护。
当开发者尝试为Rustls添加自定义的密码学提供程序(CryptoProvider),以支持后量子签名算法ML-DSA时,发现服务器端无法正确处理客户端提供的自定义签名方案。具体表现为服务器会返回"PeerIncompatible(NoSignatureSchemesInCommon)"错误,导致握手失败。
问题根源分析
深入分析Rustls源代码后发现,问题的核心在于服务器端对TLS 1.3签名方案的处理逻辑。在当前的实现中,服务器端会通过一个名为supported_in_tls13()的方法对客户端提供的签名方案进行过滤,只保留预定义在白名单中的方案。
这种设计导致了以下问题:
- 任何自定义的签名方案(使用SignatureScheme::Unknown变体)都会被自动过滤掉
- 服务器无法识别客户端提供的后量子签名方案
- 扩展性受限,无法灵活添加新的签名算法
解决方案
Rustls维护团队迅速响应并提出了两种解决方案思路:
-
直接扩展法:在SignatureScheme枚举中显式添加所需的签名方案变体,并确保它们在supported_in_tls13()中被正确启用。
-
更灵活的拒绝列表法:将当前的允许列表模式改为拒绝列表模式。拒绝列表只需要包含不安全的算法(如使用SHA1的算法和RSA-PKCS1),而其他算法则默认允许。这种方法提供了更好的扩展性,使未来添加新算法更加容易。
维护团队最终选择了第二种方案,因为它提供了更好的长期扩展性。这个变更已经通过拉取请求实现,并在Rustls 0.23.26版本中发布。
技术影响
这一变更对Rustls项目具有重要意义:
-
更好的扩展性:现在开发者可以更容易地为Rustls添加新的签名算法支持,特别是后量子密码学算法。
-
安全性保持:通过拒绝列表而非允许列表,在保持安全性的同时提高了灵活性。拒绝列表只需要关注已知不安全的算法。
-
后量子密码学支持:这一变更为Rustls支持ML-DSA等后量子签名算法扫清了道路,为应对未来的量子计算威胁做好准备。
开发者建议
对于需要在Rustls中使用自定义签名方案的开发者,现在可以:
- 确保使用Rustls 0.23.26或更高版本
- 自定义签名方案不再会被自动过滤
- 仍需确保实现的签名算法满足TLS协议的安全要求
这一改进展示了Rustls项目对安全性和扩展性的持续关注,同时也体现了开源社区快速响应和解决问题的能力。对于关注TLS协议实现和后量子密码学的研究人员和开发者来说,这无疑是一个积极的进展。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00