Open Quantum Safe liboqs 项目配置指南
前言
Open Quantum Safe (OQS) 的 liboqs 是一个开源的密码学库,专注于后量子密码学算法的实现。本文将深入解析 liboqs 的配置选项,帮助开发者根据自身需求定制化构建这个重要的密码学工具。
基础构建配置
构建类型选择
liboqs 支持两种主要的构建类型:
-
Debug 模式 (
-DCMAKE_BUILD_TYPE=Debug)- 关闭所有编译器优化
- 生成调试信息
- 仅对 GCC 或 Clang 编译器有效
- 可配合代码覆盖率测试 (
-DUSE_COVERAGE=ON) - 使用 Clang 时可启用各种检测器 (
-DUSE_SANITIZER=...)
-
Release 模式 (
-DCMAKE_BUILD_TYPE=Release) [默认]- 启用 O3 优化级别
- 设置减小二进制大小的编译器标志
库类型选择
-DBUILD_SHARED_LIBS=ON:构建动态链接库-DBUILD_SHARED_LIBS=OFF:构建静态链接库 [默认]
算法选择配置
算法集预设
-DOQS_ALGS_ENABLED 提供几种预设算法集合:
STD:仅包含 NIST 标准化的算法NIST_R4:包含 NIST PQC 竞赛第四轮评估的所有算法NIST_SIG_ONRAMP:包含 NIST PQC "onramp" 标准化评估的额外签名方案All[默认]:包含 liboqs 集成的所有算法
单个算法控制
通过以下模式可精细控制每个算法:
-DOQS_ENABLE_KEM_ALG=ON/OFF-DOQS_ENABLE_SIG_ALG=ON/OFF-DOQS_ENABLE_SIG_STFL_ALG=ON/OFF
其中 ALG 需替换为具体算法名称,如:
-DOQS_ENABLE_KEM_BIKE=ON
-DOQS_ENABLE_SIG_DILITHIUM=OFF
最小化构建
-DOQS_MINIMAL_BUILD 允许指定分号分隔的算法列表,构建仅包含这些算法的最小化库:
-DOQS_MINIMAL_BUILD="KEM_kyber_768;SIG_dilithium_3"
性能优化配置
目标架构优化
-DOQS_DIST_BUILD 控制构建目标:
ON[默认]:构建适用于目标架构所有变体的分发版本OFF:为当前机器的特定微架构优化
CPU 特性指令
当 OQS_DIST_BUILD=OFF 时,可手动控制特定 CPU 指令集的使用:
x86-64 平台支持:
-DOQS_USE_ADX_INSTRUCTIONS=ON
-DOQS_USE_AVX2_INSTRUCTIONS=OFF
...
ARM64v8 平台支持:
-DOQS_USE_ARM_AES_INSTRUCTIONS=ON
-DOQS_USE_ARM_NEON_INSTRUCTIONS=OFF
...
优化目标指定
-DOQS_OPT_TARGET 可设置为:
auto[默认]:自动检测并使用本地 CPU 特性generic:使用通用优化- 特定架构标识:如
-DOQS_OPT_TARGET=skylake
外部依赖配置
OpenSSL 集成
-DOQS_USE_OPENSSL=ON [默认] 允许使用 OpenSSL 的加密原语实现,可进一步控制:
-DOQS_USE_AES_OPENSSL=ON[x86-64 平台有条件默认]-DOQS_USE_SHA2_OPENSSL=ON[默认]-DOQS_USE_SHA3_OPENSSL=OFF[默认]
动态加载选项:
-DOQS_DLOPEN_OPENSSL=ON
cuPQC 集成
-DOQS_USE_CUPQC=ON 启用 NVIDIA cuPQC 库支持(当前仅支持 ML-KEM)
特殊功能配置
状态式哈希签名
控制 XMSS 和 LMS 签名方案:
-DOQS_ENABLE_SIG_STFL_XMSS=ON
-DOQS_ENABLE_SIG_STFL_LMS=ON
安全警告:密钥生成功能需谨慎启用:
-DOQS_HAZARDOUS_EXPERIMENTAL_ENABLE_SIG_STFL_KEY_SIG_GEN=ON
ARM 性能监控
-DOQS_SPEED_USE_ARM_PMU=ON 启用 ARMv8 性能监控单元,需内核支持
安全检测
- 恒定时间测试:
-DOQS_ENABLE_TEST_CONSTANT_TIME=ON
- 严格警告:
-DOQS_STRICT_WARNINGS=ON
- 检测器选项(Clang Debug 模式下):
-DUSE_SANITIZER=Address
-DUSE_SANITIZER=Undefined
...
特殊构建场景
嵌入式构建
-DOQS_EMBEDDED_BUILD=ON 适用于裸机嵌入式环境,需自定义随机数生成回调
Libjade 集成
-DOQS_LIBJADE_BUILD=ON 使用形式验证的算法实现,当前支持:
- Kyber512
- Kyber768
模糊测试
-DOQS_BUILD_FUZZ_TESTS=ON 启用模糊测试套件(需 Clang 编译器)
结语
liboqs 提供了丰富的配置选项,使开发者能够根据具体应用场景(如嵌入式系统、高性能服务器等)和安全性需求定制构建。理解这些选项对于优化性能、减小代码体积和确保安全性至关重要。建议开发者在发布前充分测试所选配置,特别是涉及安全性关键选项时。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00