Mbed TLS 3.6.3 版本发布:TLS 安全增强与关键修复
Mbed TLS 是一个开源的 SSL/TLS 加密库,专为嵌入式系统和物联网设备设计,提供了完整的 SSL/TLS 协议实现以及各种加密算法。作为 ARM 公司维护的项目,Mbed TLS 以其轻量级、模块化和高度可配置的特性,成为嵌入式安全通信的重要选择。
本次发布的 Mbed TLS 3.6.3 版本属于长期支持(LTS)分支,将持续获得安全更新和错误修复直至2027年3月。该版本主要解决了TLS握手过程中的几个关键安全问题,并引入了一些新功能和改进。
安全增强
3.6.3版本修复了两个重要的安全问题:
-
TLS客户端主机名验证问题:当TLS客户端未调用
mbedtls_ssl_set_hostname()函数时,服务器证书验证过程可能存在潜在风险,攻击者可能借此冒充服务器。新版本默认情况下会阻止此类握手,返回MBEDTLS_ERR_SSL_CERTIFICATE_VERIFICATION_WITHOUT_HOSTNAME错误。开发者可以通过设置MBEDTLS_SSL_CLI_ALLOW_WEAK_CERTIFICATE_VERIFICATION_WITHOUT_HOSTNAME编译选项恢复旧行为,但不建议这样做。 -
TLS 1.2握手完成消息计算问题:当内存分配失败或加密硬件出现故障时,Finished消息可能被错误计算,这会破坏TLS握手的安全性保证。该问题已得到修复。
此外,版本还增加了临时堆缓冲区的清零操作,包括PSA密钥派生过程中的ECC密钥对生成,进一步提升了安全性。
新功能与改进
-
静态密钥槽支持:新增
MBEDTLS_PSA_STATIC_KEY_SLOTS配置选项,允许使用静态存储而非动态分配来管理密钥槽,这对于禁用malloc的环境非常有用。相关缓冲区大小可通过MBEDTLS_PSA_STATIC_KEY_SLOT_BUFFER_SIZE配置。 -
MD模块扩展:现在MD模块可以在
MBEDTLS_PSA_CRYPTO_CLIENT && !MBEDTLS_PSA_CRYPTO_C配置下执行PSA分发,尽管这种配置并非官方支持。这需要链接支持相应PSA_WANT_ALG_xxx的PSA加密提供程序库。 -
性能优化:改进了PSA ECC密钥生成的性能,不再计算立即丢弃的公钥。
重要错误修复
-
TLS握手消息重组:修复了TLS(包括1.2和1.3)中分片握手消息的重组支持问题,该问题导致与某些服务器(特别是TLS 1.3)的握手失败。需要注意,分片的ClientHello仅在启用TLS 1.3支持时才被支持。
-
编译修复:解决了MS-DOS DJGPP平台上的编译问题,以及GCC类编译器在通用x86_64目标上构建AES时的内联汇编约束问题。
-
网络接口修复:在
mbedtls_net_bind和mbedtls_net_connect中使用mbedtls_net_close替代close,防止可能的文件描述符双重关闭问题。 -
调试输出修复:修正了
MBEDTLS_PRINTF_SIZET的定义,解决了Visual Studio 2013或MinGW构建版本中启用SSL调试时可能发生的运行时崩溃。
升级建议
所有使用Mbed TLS的用户都应考虑升级到此版本,特别是那些依赖TLS协议进行安全通信的应用。长期支持分支的特性使得3.6.x系列成为生产环境的稳定选择。升级时应注意新版本中关于主机名验证的默认行为变化,确保应用代码相应调整。
对于嵌入式开发者而言,新加入的静态密钥槽支持为资源受限环境提供了更好的选择,而TLS握手消息重组修复则提升了与各种服务器的兼容性。安全修复更是应该尽快应用到生产环境中,以防止潜在的风险。
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