OpenSSL项目中ML-DSA证书优先级的调整与考量
在OpenSSL项目的开发过程中,开发团队注意到一个关于证书选择优先级的重要技术问题:当服务器同时支持RSA和ML-DSA(基于后量子密码学的模块化格签名算法)证书时,默认情况下系统总是优先选择RSA证书。这一现象引发了关于后量子密码学过渡期最佳实践的深入讨论。
问题背景
在实际测试场景中,当使用OpenSSL的s_server工具同时配置RSA和ML-DSA证书时,客户端连接默认会选择RSA证书。即使启用服务器偏好设置(-serverpref选项),这一行为依然不变。要让系统选择ML-DSA证书,必须显式修改签名算法优先级顺序。
这一现象反映出当前OpenSSL默认配置的一个潜在问题:系统并未将后量子密码学算法置于优先地位。考虑到全球正在向后量子密码学过渡,这种默认行为可能与管理员配置ML-DSA证书的初衷相悖。
技术分析
OpenSSL的证书选择机制基于签名算法优先级列表。当前默认列表中,传统算法(如RSA、ECDSA)排在ML-DSA等后量子算法之前。这种排序导致即使服务器配置了ML-DSA证书,系统仍会优先选择传统算法证书。
从技术实现角度看,这种选择涉及多个层面:
- 协议兼容性:确保与不支持后量子算法的客户端保持兼容
- 性能考量:不同签名算法的计算开销差异
- 安全演进:平衡当前安全需求与未来抗量子计算需求
社区讨论与决策
OpenSSL开发团队对此进行了深入讨论,主要观点包括:
-
预期行为调整:多数成员认为,当管理员明确配置ML-DSA证书时,系统应默认优先使用这些证书,这符合配置者的安全意图。
-
算法优先级排序:建议调整默认签名算法优先级,将ML-DSA算法(包括mldsa44、mldsa65和mldsa87)置于传统算法之前,同时保持完整的算法支持列表。
-
实施时机:虽然临近版本发布周期,但考虑到后量子密码学过渡的重要性,团队决定在3.5版本中实施这一变更。
-
相关算法考量:讨论也涉及SLH-DSA等其他后量子签名算法,但由于缺乏TLS代码点支持且性能不适合TLS场景,暂不考虑其优先级调整。
技术影响评估
这一变更将带来多方面影响:
-
兼容性影响:客户端必须支持ML-DSA算法才能建立连接,可能影响与旧版本客户端的互操作性。
-
性能影响:ML-DSA算法的签名验证速度与传统算法存在差异,可能影响服务器性能表现。
-
安全演进:加速后量子密码学在实际部署中的应用,为抗量子计算安全做准备。
-
配置灵活性:仍保留通过-sigalgs参数手动指定算法优先级的能力,满足特殊场景需求。
实施建议
对于OpenSSL用户和管理员,建议:
- 评估现有客户端对ML-DSA算法的支持情况
- 在测试环境中验证变更后的连接行为
- 对于关键系统,考虑显式配置签名算法优先级
- 关注后量子证书的部署最佳实践和性能优化
这一调整体现了OpenSSL项目在后量子密码学过渡期的积极姿态,既保持了系统的灵活性,又推动了更安全算法在实际环境中的部署。随着后量子密码学标准的成熟和硬件支持的改进,预期这种优先级的调整将成为行业标准做法。
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