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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01