Wycheproof项目中Ascon-80pq测试向量标签错误问题分析
问题背景
在密码学实现验证过程中,测试向量(test vectors)是确保算法实现正确性的重要工具。Wycheproof作为一个广泛使用的密码学测试套件,其测试向量被开发者用来验证各种密码算法的实现。然而,近期有开发者发现Wycheproof中Ascon-80pq算法的测试向量存在标签(tag)不匹配的问题。
问题现象
开发者在实现Ascon-80pq算法时,使用Wycheproof的测试向量进行验证时发现,虽然密文部分匹配,但认证标签部分与预期结果不符。例如,在测试向量84中:
- 预期标签:e32cd6424cab0c59c528db6f70b81a86
- 实际计算结果:ccd345de03169a3e5c2cc27c58c43a62
这一问题不仅出现在开发者自己的实现中,在使用Ascon官方参考实现(包括C和Python版本)进行验证时,同样得到了与Wycheproof不一致的结果。
技术分析
Ascon-80pq是Ascon认证加密算法家族的一个变种,与其他版本相比,它在密钥长度和某些内部处理上有所不同。根据密码学专家的分析,问题很可能出在算法的"最终化"(finalization)阶段。
认证加密算法通常包含以下几个阶段:
- 初始化(Initialization)
- 关联数据处理(Associated Data Processing)
- 明文加密/密文解密
- 最终化(Finalization)生成认证标签
在Ascon-80pq的实现中,最终化阶段需要与其他版本有所区别的特殊处理。Wycheproof测试向量生成时可能没有正确考虑这一差异,导致生成的预期标签值不正确。
影响范围
这一问题影响了Wycheproof中所有标记为"Pseudorandom"的Ascon-80pq测试向量。开发者在使用这些测试向量验证实现时,会误认为自己的实现存在问题,而实际上可能是测试向量本身有误。
解决方案
对于依赖Wycheproof进行算法验证的开发者,建议:
- 优先使用官方参考实现提供的测试向量进行验证
- 对于Wycheproof的测试结果,可以交叉验证多个来源
- 关注算法规范文档中对不同变种特殊处理的说明
结论
测试向量在密码学实现验证中至关重要,但即使是广泛使用的工具如Wycheproof也可能存在错误。开发者在使用测试向量时应当保持批判性思维,当发现不一致时,应多方验证并参考官方实现。对于Ascon-80pq算法,目前可以确认Wycheproof中的标签值存在问题,建议开发者以官方参考实现的结果为准。
这一案例也提醒我们,在密码学工程实践中,理解算法细节比单纯依赖测试工具更为重要,特别是在处理算法变种时,需要特别注意规范中指出的差异点。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00