Mbed TLS项目中PSA工具函数在非PSA构建下的兼容性问题分析
问题背景
在Mbed TLS 3.6.0版本中,当用户启用了ECDSA功能(MBEDTLS_ECDSA_C)但禁用了PSA加密功能(MBEDTLS_PSA_CRYPTO_C)时,构建过程中会出现一个关键问题。系统会错误地包含psa_util.c文件中的部分代码,导致声明了一个大小为0的数组,从而引发编译错误(除非使用某些不太严格的编译器)。
技术细节分析
问题的根源在于include/mbedtls/config_adjust_legacy_crypto.h文件中对MBEDTLS_PSA_UTIL_HAVE_ECDSA宏的定义。当前定义允许在仅启用ECDSA而不启用PSA加密的情况下激活该宏,这显然是不合理的。
从技术架构角度看,MBEDTLS_PSA_UTIL_xxx系列宏应该只在启用MBEDTLS_PSA_CRYPTO_C(或可能是MBEDTLS_PSA_CRYPTO_CLIENT)时才被定义和使用。这些宏原本设计用于支持PSA(Platform Security Architecture)相关的功能,在没有PSA支持的环境下不应该被激活。
影响范围
这个问题主要影响以下配置场景:
- 明确禁用了PSA加密功能的构建
- 仅使用传统加密API而不涉及PSA的用户
- 使用严格编译器的开发环境
值得注意的是,这个问题本应被CI测试(特别是component_test_no_psa_crypto_full_cmake_asan测试和一些参考配置)捕获,但实际上却未被发现,这表明测试覆盖存在不足。
解决方案讨论
开发团队经过深入讨论后,提出了几种可能的解决方案:
-
完全移除方案:在非PSA配置下完全排除psa_util.c中的代码。这种方案最直接,但可能影响那些希望使用ECDSA签名转换功能但不想启用完整PSA加密功能的用户。
-
条件编译方案:通过更精确的条件编译控制,确保在非PSA配置下使用适当的缓冲区大小定义(如使用MBEDTLS_ECP_MAX_BYTES而非PSA相关宏)。
-
功能保留方案:保持函数在非PSA配置下的可用性,但确保它们能正常工作。这需要额外的开发和测试工作。
经过权衡,团队最终倾向于第一种方案,主要基于以下考虑:
- 这些函数声明在psa_util.h中,对非PSA用户来说本就难以发现
- 鼓励用户迁移到PSA API是项目的战略方向
- 在LTS版本中添加新功能(即使只是修复功能)需要谨慎
经验教训
这个案例给我们带来几个重要的启示:
- 宏定义边界:在定义功能开关宏时,必须仔细考虑其适用边界条件
- 测试覆盖:CI测试需要覆盖所有关键配置组合,特别是功能互斥的情况
- 架构设计:功能模块的划分应该更清晰地反映其依赖关系
总结
Mbed TLS项目中PSA工具函数在非PSA构建下的兼容性问题展示了加密库开发中的典型挑战。通过这次问题的分析和解决,项目团队不仅修复了一个具体的技术问题,还进一步明确了功能边界和架构设计原则。这对于保证加密库的稳定性和可靠性具有重要意义,也为其他类似项目的开发提供了有价值的参考。
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
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