BouncyCastle C 实现中的 ECDSA 签名验证问题解析
背景介绍
在使用 BouncyCastle C# 库(bc-csharp)实现 XAdES 签名应用时,开发者遇到了 ECDSA 签名验证失败的问题。这个问题特别出现在使用 SHA256WITHECDSA 算法时,而同样的实现在使用 RSA 密钥时却能正常工作。
问题现象
开发者最初尝试使用 bc-xml-security 扩展库来实现 ECDSA 签名,但欧盟 DSS 签名验证工具总是显示"签名不完整"。随后,开发者简化了测试场景,直接使用 BouncyCastle 生成 ECDSA 密钥对进行签名和验证,仍然遇到验证失败的问题。
关键发现
经过深入分析,发现了两个关键问题点:
-
签名验证流程不完整:在验证签名时,开发者遗漏了向验证器提供原始消息数据的步骤。正确的验证流程应该是:
- 初始化验证器
- 提供原始消息数据
- 执行验证
-
签名格式选择不当:对于某些验证系统(如欧盟 DSS 验证工具),需要使用"PLAIN-ECDSA"格式而非标准 ECDSA 格式。这两种格式的主要区别在于:
- SHA256WITHECDSA:使用 ASN.1 编码结构,签名长度可变(通常70+字节)
- SHA256WITHPLAIN-ECDSA:不使用 ASN.1 结构,签名长度固定(对于 P-256 曲线为64字节)
解决方案
针对上述问题,提供了以下解决方案:
- 完整的签名验证流程:
// 初始化验证器
signer.Init(false, signingKey.Public);
// 提供原始消息数据
signer.BlockUpdate(testData, 0, testData.Length);
// 执行验证
Boolean retval = signer.VerifySignature(signature);
- 选择合适的签名算法: 对于需要固定长度签名的系统,应使用:
ISigner signer = SignerUtilities.GetSigner("SHA256WITHPLAIN-ECDSA");
技术要点
-
曲线选择:示例中使用的曲线 OID "1.2.840.10045.3.1.7" 对应于 P-256/prime256v1/secp256r1 曲线,这是 ECDSA 常用的曲线之一。
-
密钥生成:正确生成 ECDSA 密钥对的方法包括:
- 获取曲线参数
- 设置域参数
- 初始化密钥生成器
- 生成密钥对
-
签名过程:完整的签名过程应包括:
- 初始化签名器
- 提供消息数据
- 生成签名
实际应用建议
-
在实现数字签名功能时,务必确保验证流程完整,包括提供原始消息数据。
-
了解目标验证系统的签名格式要求,选择适当的签名算法。对于需要固定长度签名的系统,优先考虑"PLAIN-ECDSA"变体。
-
测试时可以使用简单的字符串作为测试数据,便于验证基本功能的正确性。
-
对于 XAdES 等高级签名标准,需要特别注意签名算法的兼容性要求。
通过理解这些关键点,开发者可以避免常见的 ECDSA 签名验证问题,确保数字签名在各种验证系统中都能正确工作。
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-1.5暂无简介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
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
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