Mbed TLS项目中椭圆曲线宏定义的现代化演进
在密码学库Mbed TLS的持续演进过程中,开发团队正在推动一项重要的代码现代化改进:将传统的MBEDTLS_ECP_HAVE_CURVE*系列宏定义替换为新的PSA_WANT_ECC*格式。这一变更不仅涉及技术细节的调整,更反映了密码学API设计理念的进步。
背景与动机
椭圆曲线密码学(ECC)是现代密码学体系中的重要组成部分,广泛应用于密钥交换、数字签名等安全协议中。Mbed TLS作为一款广泛使用的加密库,需要支持多种椭圆曲线标准。在早期版本中,库使用MBEDTLS_ECP_HAVE_CURVE25519和MBEDTLS_ECP_HAVE_CURVE448这样的宏来控制相关功能的编译开关。
随着PSA(Portable Security Architecture)加密API的引入,Mbed TLS正在逐步统一其配置系统,使代码更加模块化和标准化。新的PSA_WANT_ECC*系列宏正是这一标准化进程的一部分,它们提供了更清晰、更一致的命名约定,并与PSA API的其他部分保持协调。
技术变更细节
本次变更主要涉及两个宏定义的替换:
MBEDTLS_ECP_HAVE_CURVE25519→PSA_WANT_ECC_MONTGOMERY_255MBEDTLS_ECP_HAVE_CURVE448→PSA_WANT_ECC_MONTGOMERY_448
值得注意的是,这种替换并非全局性的。开发指南明确指出,在mbedtls_config.h、check_config.h和config_adjust_*.h这些配置文件中,原有的宏定义仍需保留。这种选择性替换的策略确保了向后兼容性,同时逐步推进代码现代化。
技术意义与优势
新的宏命名体系具有几个显著优势:
-
命名一致性:采用统一的
PSA_WANT前缀,与PSA API的其他部分保持一致,提高了代码的可读性和可维护性。 -
曲线类型明确化:新名称中明确包含了
MONTGOMERY字样,直接表明了这是蒙哥马利曲线,而不仅仅是简单的曲线标识。这种自描述性命名有助于开发者更准确地理解代码意图。 -
功能导向:
WANT一词比HAVE更能表达开发者的配置意图,强调这是主动选择而非被动检测。 -
标准化程度提高:与PSA加密API标准对齐,便于未来功能的扩展和维护。
实施注意事项
在进行此类替换时,开发团队需要特别注意:
-
测试覆盖:确保替换后的测试运行方式与之前完全相同,不引入任何功能退化。
-
配置隔离:避免修改关键的配置文件,保持配置系统的稳定性。
-
兼容性考虑:理解这种变更可能对依赖这些宏定义的外部代码产生影响,必要时提供过渡方案。
-
文档更新:同步更新相关文档,确保开发者了解新的宏定义使用方式。
对开发者的影响
对于使用Mbed TLS的开发者而言,这一变更意味着:
-
新项目应优先使用
PSA_WANT系列的宏定义。 -
现有项目在升级Mbed TLS版本时,需要注意检查是否直接使用了这些将被替换的宏。
-
自定义模块如果依赖这些宏定义,可能需要进行相应调整。
-
开发者可以期待更一致的配置体验和更清晰的代码结构。
未来展望
这一变更代表了Mbed TLS向更现代化、更标准化的密码学API演进的重要一步。随着PSA API的不断完善,我们可以预见更多类似的标准化改进,最终为用户提供更安全、更易用的加密解决方案。开发团队在推进这类变更时采取的渐进式策略,既保证了项目的持续发展,又最大限度地减少了对现有用户的影响。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00