ARMmbed/mbedtls项目中SHA3算法宏定义的现代化演进
背景介绍
在ARMmbed/mbedtls这个广泛应用于嵌入式系统的加密库中,SHA3系列哈希算法的支持一直是通过MBEDTLS_MD_CAN_SHA3_*这样的宏定义来控制的。随着项目向PSA(Platform Security Architecture)加密API的迁移,这些传统宏定义正逐步被更现代化的PSA_WANT_ALG_SHA3_*系列宏所取代。
新旧宏定义对比
在mbedtls的代码库中,存在以下几组对应的宏定义:
MBEDTLS_MD_CAN_SHA3_224↔PSA_WANT_ALG_SHA3_224MBEDTLS_MD_CAN_SHA3_256↔PSA_WANT_ALG_SHA3_256MBEDTLS_MD_CAN_SHA3_384↔PSA_WANT_ALG_SHA3_384MBEDTLS_MD_CAN_SHA3_512↔PSA_WANT_ALG_SHA3_512
这些宏定义都用于控制SHA3系列哈希算法的编译时启用状态,但它们属于不同的抽象层次和API体系。
技术演进的意义
1. 标准化与统一性
PSA加密API是ARM提出的标准化加密接口规范,采用PSA_WANT_ALG_*这样的命名约定更符合现代加密API的设计理念。这种改变使得mbedtls与其他遵循PSA标准的加密实现保持一致性。
2. 功能抽象层级
传统的MBEDTLS_MD_CAN_*宏属于消息摘要(MD)抽象层,而新的PSA_WANT_ALG_*宏属于更底层的算法选择层。这种改变使得代码结构更加清晰,职责划分更加明确。
3. 编译配置简化
PSA系列的宏定义采用了更加系统化的命名方案,使得开发者能够更容易地理解和记忆各种加密算法的配置方式。例如,所有算法相关的配置都以PSA_WANT_ALG_开头,后接标准化的算法名称。
实施注意事项
在进行这种宏定义替换时,开发团队需要特别注意以下几点:
-
测试覆盖完整性:确保替换后的测试用例能够覆盖原有测试场景,特别是边界条件和异常情况。
-
向后兼容性:虽然内部实现发生了变化,但需要保证公开API的行为不变,避免影响现有用户的代码。
-
文档同步更新:所有相关的使用文档和示例代码都需要相应更新,反映这一变化。
-
配置系统协调:确保构建系统和配置工具能够正确处理新的宏定义,并与旧系统保持兼容。
对开发者的影响
对于使用mbedtls库的开发者来说,这一变化主要带来以下影响:
-
新项目建议:新项目应优先使用
PSA_WANT_ALG_*系列的宏定义来配置SHA3算法支持。 -
现有项目迁移:现有项目可以逐步迁移,但需要注意测试验证,确保功能不受影响。
-
理解成本:开发者需要了解PSA加密API的基本概念,以便更好地使用新的配置系统。
未来展望
这一变化是mbedtls向现代化加密API演进的一部分。随着PSA标准的普及,我们可以预见更多传统配置宏将被PSA风格的宏所取代。这不仅提高了代码的可维护性,也使得mbedtls能够更好地融入现代安全开发生态系统。
对于嵌入式系统开发者而言,适应这一变化将有助于构建更加安全、可维护的应用程序,同时也为将来可能的安全需求升级打下良好基础。
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