Mbed TLS项目中密码算法宏定义的演进与优化
2025-06-05 14:21:12作者:裘晴惠Vivianne
背景介绍
在现代密码学库Mbed TLS的开发过程中,随着PSA(Platform Security Architecture)加密API的引入,项目团队正在逐步重构和优化代码中的宏定义系统。这一演进过程涉及到如何更合理地组织密码算法相关的功能开关,特别是在SSL/TLS模块与底层密码模块之间的配置关系。
现有宏定义系统分析
当前Mbed TLS代码中存在三类与CBC模式相关的宏定义:
MBEDTLS_CIPHER_MODE_CBC:传统的非PSA模式下的CBC功能开关MBEDTLS_SSL_HAVE_CBC:考虑PSA兼容性的CBC功能开关MBEDTLS_SSL_SOME_SUITES_USE_CBC:专门针对SSL/TLS套件使用的CBC功能开关
类似的模式也存在于其他算法如GCM、CCM和ChachaPoly等。这种分层设计反映了从传统密码实现向PSA架构过渡期的复杂性。
宏定义重构的必要性
随着PSA架构成为Mbed TLS的核心部分,项目团队决定简化这一宏定义系统,主要基于以下考虑:
- 代码一致性:减少功能相同的冗余宏定义
- 维护便利:统一使用PSA_WANT系列宏作为算法可用性的判断标准
- 未来兼容:为将来完全基于PSA架构的代码做准备
具体重构方案
重构工作将主要影响以下几组宏定义:
MBEDTLS_SSL_HAVE_CBC→PSA_WANT_ALG_CBC_NO_PADDINGMBEDTLS_SSL_HAVE_GCM→PSA_WANT_ALG_GCMMBEDTLS_SSL_HAVE_CCM→PSA_WANT_ALG_CCMMBEDTLS_SSL_HAVE_CHACHAPOLY→PSA_WANT_ALG_CHACHA20_POLY1305
值得注意的是,这一替换不适用于以下情况:
- 配置文件(如mbedtls_config.h)
- 配置检查文件(如check_config.h)
- 配置调整文件(如config_adjust_*.h)
技术考量与边界
在重构过程中,开发团队特别关注了几个关键点:
- 功能边界:保留了
MBEDTLS_SSL_SOME_SUITES_USE_CBC等真正与SSL/TLS协议相关的宏,因为它们包含了协议层的特定逻辑 - 过渡兼容:确保测试用例在重构前后保持相同的行为
- 未来扩展:为将来可能实现的"密码算法可用但不在TLS中使用"的细粒度控制预留空间
对SSL/TLS模块的影响
这一重构将使SSL/TLS模块更加清晰地区分:
- 底层密码功能的可用性(通过PSA_WANT宏判断)
- 协议层对密码功能的使用策略(通过专门的SSL宏控制)
这种分离为未来的功能演进奠定了更好的基础,特别是在以下方面:
- 支持TLS 1.3的密码套件选择
- 实现更细粒度的密码功能控制
- 减少不必要的代码编译(节省空间)
总结
Mbed TLS项目通过这次宏定义系统的重构,不仅简化了当前代码结构,还为未来的架构演进做好了准备。这种从传统实现向PSA架构的渐进式过渡,体现了项目团队对代码质量和技术前瞻性的双重追求。对于开发者而言,理解这一变化有助于更好地参与项目贡献和进行自定义构建配置。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
668
4.3 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
511
621
openEuler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。
C
398
297
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++
943
878
🎉 (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
1.56 K
904
暂无简介
Dart
917
222
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
1.07 K
558
昇腾LLM分布式训练框架
Python
142
169
仓颉编程语言运行时与标准库。
Cangjie
163
924