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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~054CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0378- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









