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。
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