Mbed TLS与TF-M集成中的PSA加密实现冲突解决方案
背景介绍
在嵌入式安全开发中,Mbed TLS和Trusted Firmware-M(TF-M)都是广泛使用的安全组件。当开发者尝试将这两个组件集成到同一系统中时,特别是在使用TLS 1.3协议的情况下,可能会遇到PSA(Platform Security Architecture)加密实现的多重定义问题。
问题本质
这个问题的根源在于Mbed TLS和TF-M都提供了PSA加密的实现。当两者同时启用时,链接器会发现相同的PSA函数有多个定义版本,导致构建失败。具体表现为:
- Mbed TLS 3.4.0版本中启用了MBEDTLS_PSA_CRYPTO_C标志(这是TLS 1.3所必需的)
- 同时系统中集成了TF-M,它也提供了PSA加密实现
- 编译时出现"multiple definition"错误
解决方案
标准配置方案
正确的集成方式应该是:
-
禁用Mbed TLS内置的PSA实现:在Mbed TLS配置中禁用MBEDTLS_PSA_CRYPTO_C,转而启用MBEDTLS_PSA_CRYPTO_CLIENT。这表明加密操作将通过TF-M的远程过程调用实现,而非本地函数。
-
配置加密机制一致性:在非安全世界(NS)中声明与安全世界(S)相同的加密机制。需要启用MBEDTLS_PSA_CRYPTO_CONFIG,并使用与安全世界相同的psa/crypto_config.h(定义PSA_WANT_xxx符号)。
-
启用PSA加密调用:设置MBEDTLS_USE_PSA_CRYPTO标志,确保TLS代码调用PSA函数而非传统加密函数。
-
禁用传统加密算法:不应启用MBEDTLS_RSA_C、MBEDTLS_AES_C等传统加密算法标志,因为这些会使用本地代码而非TF-M调用。
版本升级建议
值得注意的是,Mbed TLS 3.4版本存在已知的安全问题。建议开发者立即升级到最新的3.6.1版本,该版本修复了许多与TF-M集成相关的构建问题。
替代方案探讨
对于希望保留MBEDTLS_PSA_CRYPTO_C标志的开发者,理论上可以通过修改PSA驱动包装器文件(psa_crypto_driver_wrapper.c)来重定向加密调用至TF-M API。例如:
psa_driver_wrapper_sign_hash
{
/* if TFM is enabled */
tfm_psa_sign_hash()
}
然而,这种方案需要谨慎处理,因为它可能引入额外的复杂性和潜在的安全隐患。标准方案仍是推荐的做法。
技术要点
-
TLS 1.3确实需要PSA加密API,但这可以通过MBEDTLS_PSA_CRYPTO_CLIENT提供,而不一定需要启用完整的MBEDTLS_PSA_CRYPTO_C。
-
在仅使用ECC和/或PSK的构建中,上述配置完全可行。如果启用RSA,可能需要在同一执行域中保留内置的RSA代码。
-
配置一致性是关键,特别是加密机制的定义必须与非安全世界和安全世界保持一致。
通过正确配置,开发者可以成功集成Mbed TLS和TF-M,同时满足TLS 1.3的安全需求,避免PSA实现冲突的问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00