Mbed TLS项目中密码算法宏定义的演进与优化
背景介绍
在现代密码学库Mbed TLS的开发过程中,随着PSA(Platform Security Architecture)加密API的引入,项目组正在逐步重构和优化代码中的宏定义系统。近期开发团队针对SSL/TLS模块中使用的传统宏定义展开了深入讨论,特别是那些用于控制密码算法支持的宏定义。
传统宏定义系统的问题
Mbed TLS早期版本中使用了多种宏定义来控制不同密码算法的支持情况,主要包括三类:
- 基础密码模式宏:如
MBEDTLS_CIPHER_MODE_CBC,直接控制是否编译特定密码模式的支持代码 - SSL专用宏:如
MBEDTLS_SSL_HAVE_CBC,在SSL/TLS模块内部使用,考虑了PSA使用情况 - 密码套件宏:如
MBEDTLS_SSL_SOME_SUITES_USE_CBC,涉及更高级的TLS协议层决策
这种多层次的宏定义系统虽然灵活,但也带来了复杂性和潜在的混淆。特别是随着PSA API的成熟,部分传统宏定义已经可以被更统一的PSA_WANT系列宏替代。
宏定义重构的技术考量
开发团队经过深入讨论,明确了不同类型宏定义的作用和演进方向:
-
基础密码模式宏:这些宏不考虑PSA使用情况,仅适用于传统加密API路径。随着PSA成为默认选项,这类宏将逐步被淘汰。
-
SSL专用HAVE宏:如
MBEDTLS_SSL_HAVE_CBC等,本质上是PSA感知版本的密码算法可用性检查。它们可以直接被对应的PSA_WANT宏替代,例如:MBEDTLS_SSL_HAVE_CBC→PSA_WANT_ALG_CBC_NO_PADDINGMBEDTLS_SSL_HAVE_GCM→PSA_WANT_ALG_GCMMBEDTLS_SSL_HAVE_CCM→PSA_WANT_ALG_CCMMBEDTLS_SSL_HAVE_CHACHAPOLY→PSA_WANT_ALG_CHACHA20_POLY1305
-
密码套件决策宏:如
MBEDTLS_SSL_SOME_SUITES_USE_CBC,包含了TLS协议特定的逻辑,这类宏需要保留并进一步优化。
未来架构演进方向
虽然当前可以安全地用PSA_WANT宏替换部分SSL专用宏,但开发团队已经规划了更长期的架构改进:
-
分离密码算法可用性与协议使用决策:未来版本将允许用户独立配置密码算法的可用性(通过PSA_WANT)和在TLS协议中的使用(通过新的TLS专用宏)。
-
更精细的TLS配置控制:特别是对于TLS 1.3,计划提供每个密码套件的独立控制选项,而不仅仅是算法级别的控制。
-
减少不必要的代码包含:优化条件编译,确保当某些算法在TLS中被禁用时,相关支持代码能真正被排除在编译结果之外。
实施建议与注意事项
对于开发者而言,在进行相关代码修改时需要注意:
- 替换范围应排除配置文件(如
mbedtls_config.h)和配置调整文件 - 需要确保测试覆盖率保持不变
- 对于
MBEDTLS_SSL_HAVE_AEAD这类复合宏,需要保留其特殊逻辑 - 修改时应仔细验证每个宏替换的语义等价性
这项重构工作是Mbed TLS向更统一、更模块化架构演进的重要一步,为未来版本中加密功能与协议实现的更清晰分离奠定了基础。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0102
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00