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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0202
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07