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。
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