PolarSSL X.509 API中移除RNG参数的改造方案
2025-06-05 13:28:12作者:裘旻烁
在PolarSSL(现Mbed TLS)4.0版本中,随机数生成器(RNG)的调用将统一通过PSA加密接口实现。这一重大变更需要对X.509相关API进行改造,移除原有的RNG回调函数参数。本文将详细介绍这一改造的技术方案和实施细节。
背景与目标
在旧版PolarSSL中,X.509证书处理相关的API通常需要接收两个随机数生成参数:
- 一个RNG回调函数指针(f_rng)
- 一个传递给回调函数的上下文指针(p_rng)
随着4.0版本的架构调整,所有RNG调用都将通过PSA加密接口实现,因此需要:
- 从所有公开的X.509 API函数原型中移除这两个参数
- 同步修改内部函数的参数传递
- 将原有的f_rng调用替换为psa_generate_random调用
具体改造方案
API函数原型修改
所有位于include/mbedtls/x509*.h头文件中的公开函数,如果包含RNG参数,都需要移除以下两个参数:
int (*f_rng)(void *, unsigned char *, size_t), void *p_rng
内部函数调整
在同一模块中的内部函数,如果只是简单传递RNG参数,也需要同步移除这些参数。这包括:
- 证书解析和生成相关函数
- 证书签名验证函数
- 密钥处理函数
RNG调用替换
原有通过f_rng获取随机数的代码需要替换为调用PSA接口:
// 旧代码
f_rng(p_rng, output, length);
// 新代码
psa_generate_random(output, length);
跨模块调用处理
当需要将RNG参数传递给其他模块的函数时,应使用PSA提供的统一接口:
mbedtls_psa_get_random // 替代原有的f_rng
MBEDTLS_PSA_RANDOM_STATE // 替代原有的p_rng
代码清理
在完成上述改造后,可以进一步清理不再需要的代码:
- 移除为RNG回调设置的熵源上下文
- 移除DRBG(确定性随机比特生成器)上下文
- 简化相关初始化流程
实施注意事项
-
兼容性考虑:虽然这是4.0版本的破坏性变更,但仍需评估对现有代码库的影响范围
-
错误处理:PSA接口的错误码与原有RNG回调可能不同,需要统一错误处理逻辑
-
性能影响:评估直接使用PSA接口对性能的影响,特别是在高频调用场景
-
测试覆盖:确保改造后的代码有充分的测试用例覆盖,特别是边缘情况
总结
这一改造是PolarSSL向PSA加密架构迁移的重要步骤,通过统一RNG调用接口,不仅简化了API设计,还提高了系统的安全性和一致性。开发者在升级到4.0版本时,需要按照上述方案调整相关代码,确保兼容新版本的API设计。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146