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。
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