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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust015
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00