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。
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