Rustls项目对无原子操作目标平台的no-std支持探讨
Rustls作为Rust生态中重要的TLS实现库,在0.23.0版本开始支持no-std/alloc环境,这对于嵌入式系统开发具有重要意义。然而,当前实现存在一个关键限制:它依赖于标准库中的Arc类型,而该类型需要底层平台支持原子操作。
问题背景
在嵌入式开发领域,特别是使用ESP32-C2、ESP32-C3和ESP32-S2等微控制器时,这些平台通常不具备硬件原子操作支持。虽然Rust社区提供了portable-atomic这样的crate来提供原子操作功能,但Rustls当前架构直接使用了alloc::sync::Arc,这在无原子操作支持的平台上无法工作。
解决方案探讨
针对这一问题,Rustls社区提出了两种主要解决方案:
-
全局替换Arc为Rc方案:将所有Arc使用替换为crate内部的类型别名,在无原子操作平台上使用Rc替代。这种方案的代价是相关类型将失去Send和Sync特征约束,意味着Rustls实例无法跨线程共享,每个线程需要维护自己的配置实例。
-
使用portable-atomic-util方案:通过依赖portable-atomic-util crate,使用其提供的Arc功能实现。这种方案可以保持现有的线程安全特性,但需要解决一些技术挑战。
技术挑战与实现考量
在实现过程中,开发团队遇到了几个关键挑战:
-
CI测试覆盖问题:现有的no-std测试使用x86_64-unknown-none目标平台,该平台支持原子操作,难以检测无原子操作平台特有的问题。
-
特征边界条件:方案1需要根据目标平台条件性地调整特征边界(Send/Sync),这会显著增加代码复杂度。
-
依赖兼容性问题:portable-atomic-util的Arc实现目前需要Rust nightly版本,且与aws-lc-rs和ring等加密后端存在兼容性问题。
-
错误处理问题:现有的OtherError类型包含Arc,这在无原子操作平台上需要特殊处理。
当前进展与未来方向
目前社区已提交了基于portable-atomic-util的实现方案,虽然仍有一些限制,但已能在无原子操作平台上基本工作。考虑到嵌入式开发通常使用Rust nightly版本,这一方案具有实用价值。
对于长期支持,社区需要考虑:
- 如何在不影响主分支稳定性的情况下支持这一特性
- 是否将其标记为不稳定特性
- 如何完善测试基础设施以覆盖无原子操作平台
- 如何处理与主要加密后端的兼容性问题
这一功能的实现将显著扩展Rustls在嵌入式领域的适用性,特别是对于资源受限且无硬件原子操作支持的微控制器平台。开发团队正在积极寻求平衡稳定性和功能扩展的最佳方案。
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。C037
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0115
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