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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00