OP-TEE项目中安全存储路径的创建机制分析
背景介绍
在OP-TEE项目中,安全存储(Secure Storage)是一个关键组件,它允许可信应用(TA)在REE(Rich Execution Environment)侧安全地存储数据。REE侧的安全存储实现依赖于tee-supplicant守护进程,该进程运行在非安全世界(Normal World)中,负责处理来自安全世界(Secure World)的文件系统操作请求。
安全存储路径的默认设置
OP-TEE项目中,安全存储的默认路径通常设置为/data/tee。这个路径可以通过两种方式进行配置:
- Makefile配置:在
optee_client/config.mk文件中,通过CFG_TEE_FS_PARENT_PATH变量定义 - CMake配置:在
optee_client/tee-supplicant/CMakeLists.txt文件中,通过CFG_TEE_FS_PARENT_PATH变量定义
在OP-TEE的QEMU v8环境中,由于采用CMake构建系统,因此修改CMakeLists.txt文件中的路径设置会生效。
路径创建机制
安全存储路径的创建遵循以下机制:
-
初始化脚本创建:在系统启动时,通过init脚本(如
S30optee)创建/data/tee目录并设置适当的权限。这是推荐的做法,因为它可以确保目录在tee-supplicant启动前就已存在。 -
运行时自动创建:如果路径在系统启动时未被创建,tee-supplicant会在首次访问安全存储时自动创建该目录及其父目录。这一机制确保了即使没有预先配置,系统也能正常工作。
路径自定义的实现
用户可以通过以下方式自定义安全存储路径:
-
构建时配置:修改
CMakeLists.txt或config.mk文件中的路径变量,重新构建项目。 -
运行时参数:通过tee-supplicant的命令行参数
-f或--fs-parent-path指定路径,这会覆盖构建时的默认设置。
需要注意的是,当自定义路径位于根目录下(如/my_rw/tee)时,必须确保tee-supplicant有足够的权限创建该路径。如果tee-supplicant以非root用户(如tee用户)运行,可能无法在根目录下创建新目录。
技术实现细节
在底层实现上,当OP-TEE OS需要访问REE侧的安全存储时,会通过RPC(Remote Procedure Call)机制向tee-supplicant发送请求。具体流程如下:
- OP-TEE OS发送
OPTEE_MSG_RPC_CMD_FS命令请求 - tee-supplicant接收请求并处理文件系统操作
- 如果目标路径不存在,tee-supplicant会先创建路径再执行操作
- 操作完成后,结果通过RPC返回给OP-TEE OS
这种设计体现了OP-TEE的灵活性,既支持预先配置的安全存储路径,也能在运行时动态创建所需目录,确保了系统的鲁棒性。
最佳实践建议
-
对于生产环境,建议通过init脚本预先创建安全存储路径,并设置正确的权限。
-
当需要自定义路径时,优先考虑使用tee-supplicant的命令行参数,这样无需重新构建整个项目。
-
确保tee-supplicant运行用户对目标路径有足够的读写权限,特别是在自定义路径位于系统敏感位置时。
-
在调试时,可以通过运行
xtest regression_1004等测试用例来验证安全存储功能是否正常工作。
通过理解这些机制,开发者可以更灵活地配置和管理OP-TEE的安全存储功能,满足不同的应用场景需求。
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