Mbed TLS项目中密码算法宏定义的演进与优化
2025-06-05 04:36:54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
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
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 全球GEOJSON地理数据资源下载指南 - 高效获取地理空间数据的完整解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
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
346
147