Mbed TLS 3.6.3版本发布:TLS握手安全增强与性能优化
项目概述
Mbed TLS是一个开源的SSL/TLS加密库,专为嵌入式系统和物联网设备设计。它提供了SSL/TLS协议实现以及各种加密算法,具有轻量级、模块化和高度可配置的特点。Mbed TLS广泛应用于需要安全通信的场景,如智能家居、工业控制系统和移动设备等。
版本亮点
Mbed TLS 3.6.3是该长期支持分支(LTS)的最新版本,将至少支持到2027年3月。本次更新主要聚焦于安全修复和性能优化,特别是针对TLS握手过程中的关键安全问题。
安全增强
主机名验证强化
本次版本引入了一个重要的安全改进:在TLS客户端中,如果未调用mbedtls_ssl_set_hostname()函数且尝试基于证书进行服务器认证,握手过程将失败并返回MBEDTLS_ERR_SSL_CERTIFICATE_VERIFICATION_WITHOUT_HOSTNAME错误。这一改变解决了Daniel Stenberg报告的安全问题(CVE-2025-27809),防止了服务器可能被错误识别的风险。
开发者可以通过两种方式恢复旧行为:
- 调用
mbedtls_ssl_set_hostname()并传入NULL作为主机名 - 启用新的编译时选项
MBEDTLS_SSL_CLI_ALLOW_WEAK_CERTIFICATE_VERIFICATION_WITHOUT_HOSTNAME
TLS 1.2握手修复
修复了TLS 1.2握手过程中的一个关键问题(CVE-2025-27810)。当计算Finished消息时发生内存分配失败或加密硬件故障,可能导致计算错误,从而影响TLS握手的安全保证。
新特性与改进
静态密钥槽支持
新增了MBEDTLS_PSA_STATIC_KEY_SLOTS配置选项,使用静态存储代替动态内存分配来管理密钥槽,实现了无malloc的密钥槽使用。每个缓冲区的大小由MBEDTLS_PSA_STATIC_KEY_SLOT_BUFFER_SIZE选项决定,默认情况下可容纳构建中启用的最大PSA密钥。
MD模块增强
MD(消息摘要)模块现在可以在MBEDTLS_PSA_CRYPTO_CLIENT && !MBEDTLS_PSA_CRYPTO_C配置下执行PSA分发,尽管这种配置并非官方支持。这需要链接支持所需PSA_WANT_ALG_xxx并在客户端接口实现psa_can_do_hash()的PSA加密提供程序库。
重要Bug修复
-
TLS 1.3兼容性:修复了当
MBEDTLS_SSL_TLS1_3_COMPATIBILITY_MODE禁用时与启用中间盒兼容性的对等方工作的问题。 -
网络连接处理:在
mbedtls_net_bind和mbedtls_net_connect中使用mbedtls_net_close替代close,防止可能的双关闭文件描述符问题。 -
碎片化握手消息:增加了对TLS(1.2和1.3)中碎片化握手消息的重新组装支持,解决了与某些服务器(特别是TLS 1.3)的握手失败问题。
-
AES-NI汇编优化:修复了GCC类编译器为通用x86_64目标构建AES时使用的AES-NI内联汇编中的约束缺失问题,防止在某些编译器优化下可能产生的错误代码。
-
PSA密钥派生:修复了
psa_key_derivation_input_integer()在操作中止后未检测错误状态的问题。
性能优化
-
ECC密钥生成:优化了PSA ECC密钥生成性能,不再计算立即丢弃的公钥。
-
内存清零:在PSA操作中使用的临时堆缓冲区在使用后立即清零,增强了安全性。
兼容性说明
-
MS-DOS DJGPP:修复了在此平台上的编译问题。
-
Visual Studio:移除了Everest Visual Studio 2010兼容性头文件,防止它们在不完整实现的情况下遮蔽标准CRT头文件。
-
打印格式化:修复了
MBEDTLS_PRINTF_SIZET定义,防止在Visual Studio 2013或MinGW构建的Mbed TLS副本上启用SSL调试时可能发生的运行时崩溃。
升级建议
所有用户都应在适当的开发周期内更新到此版本,以利用其中的安全修复和性能改进。特别是那些依赖TLS 1.2或1.3协议进行安全通信的应用,应优先考虑升级,以解决握手过程中的潜在安全问题。
对于嵌入式系统开发者,新的静态密钥槽功能提供了无动态内存分配的密钥管理方案,特别适合资源受限的环境。而TLS客户端开发者应特别注意新的主机名验证要求,确保应用的安全配置符合最佳实践。
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