Mbed-TLS项目中重复common.h文件的技术分析与解决方案
2025-06-05 04:26:49作者:郜逊炳
问题背景
在Mbed-TLS项目中,近期出现了两个内容相同的common.h头文件,分别位于library/common.h和tf-psa-crypto/core/common.h。这种重复不仅增加了维护成本,还可能对不使用项目构建脚本而直接引用源文件的用户造成构建问题。
技术分析
重复文件的来源
这个问题的根源在于提交90ca4145cfedd9917d8b124cdc1aadd4f923afdc中,文件被复制而非移动。理想情况下,common.h应该从library/目录迁移到tf-psa-crypto/core/目录,而不是创建副本。
潜在影响
- 维护困难:开发者在修改一个文件时容易忽略另一个副本,导致不一致
- 构建问题:当用户直接引用源文件时,可能因同名文件冲突导致构建失败
- 依赖关系混乱:两个模块(Mbed TLS和TF-PSA-Crypto)共享相同头文件但可能有不同需求
解决方案讨论
初步方案
最初提出的解决方案包括:
- 保留
tf-psa-crypto/core/common.h作为唯一副本 - 在Mbed TLS的x509和SSL模块中通过内部头文件间接引用
技术挑战
在实施过程中发现,调整头文件包含顺序会导致未定义结构体或函数的问题。这表明项目中的头文件依赖关系比预想的更为复杂。
改进方案
经过深入讨论,提出了更稳健的解决方案:
- 在Mbed TLS中使用
mbedtls_common.h作为包装头文件 - 该文件包含
tf-psa-crypto/core/common.h - 保持现有包含顺序不变,避免破坏现有依赖关系
实施建议
- 文件迁移:使用git命令正确迁移文件以保留历史记录
- 头文件重构:将通用功能拆分到主题明确的头文件中
- 构建系统适配:确保两个项目的构建系统能正确处理新的头文件结构
技术考量
- 构建系统差异:Mbed TLS和TF-PSA-Crypto使用不同的构建系统,它们的
build_info.h内容可能不同 - 模块隔离:需要考虑x509、TLS和加密模块的不同需求
- 向后兼容:确保修改不会影响现有用户的构建流程
结论
处理重复头文件问题需要谨慎考虑项目结构和依赖关系。采用间接包含和包装头文件的方案可以在保持功能完整性的同时解决重复问题。这种解决方案既解决了当前的维护难题,又为未来的模块化发展奠定了基础。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146