Mbed TLS项目中SHA3算法宏定义的演进与替换
背景概述
在密码学库Mbed TLS的持续演进过程中,代码库正在进行一系列现代化改造,其中包括将传统的算法选择宏定义逐步迁移到PSA(Platform Security Architecture)框架下的新宏定义系统。本次变更聚焦于SHA3系列哈希算法的宏定义替换工作。
宏定义替换的具体内容
本次变更涉及将以下传统宏定义替换为PSA框架下的对应宏:
MBEDTLS_MD_CAN_SHA3_224
→PSA_WANT_ALG_SHA3_224
MBEDTLS_MD_CAN_SHA3_256
→PSA_WANT_ALG_SHA3_256
MBEDTLS_MD_CAN_SHA3_384
→PSA_WANT_ALG_SHA3_384
MBEDTLS_MD_CAN_SHA3_512
→PSA_WANT_ALG_SHA3_512
值得注意的是,这一替换仅限于非include
目录下的代码,保持了头文件接口的向后兼容性。
技术演进的意义
1. 统一配置系统
PSA框架提供了更加统一和标准化的算法选择机制。通过使用PSA_WANT_
前缀的宏定义,开发者可以更清晰地表达对特定算法的需求,这与Mbed TLS向PSA架构迁移的整体战略保持一致。
2. 功能与需求的明确区分
传统MBEDTLS_MD_CAN_
宏定义暗示了"能力"的概念,而新的PSA_WANT_
宏则明确表达了"需求",这种语义上的转变使得代码意图更加清晰,有助于静态分析和构建系统的优化。
3. 测试保障机制
在替换过程中,特别强调了确保测试覆盖和测试行为的一致性。这意味着:
- 所有使用这些宏定义的测试用例都需要相应更新
- 测试范围和深度应保持不变
- 测试通过标准需与变更前一致
对开发者的影响
对于使用Mbed TLS的开发者来说,这一变更主要影响以下场景:
-
自定义配置:如果开发者有自定义的构建配置,需要相应更新SHA3相关算法的宏定义。
-
条件编译代码:项目中使用这些宏进行条件编译的代码部分需要更新宏定义名称。
-
测试验证:虽然内部测试会确保功能一致性,但开发者自己的测试套件可能需要相应调整。
实施建议
对于正在迁移到新版本Mbed TLS的项目,建议:
-
全局搜索项目中使用的旧宏定义,确保完全替换。
-
检查构建系统配置,确保新的PSA宏得到正确定义。
-
验证所有依赖SHA3算法的功能模块,特别是:
- 哈希计算
- 数字签名
- 消息认证码(MAC)
- 密钥派生
-
更新项目文档中关于算法配置的相关说明。
未来展望
这一变更是Mbed TLS向PSA架构全面迁移的一部分,预计未来会有更多传统宏定义被PSA框架下的新宏所取代。开发者应当关注这一趋势,逐步将项目代码迁移到新的配置系统上,以获得更好的安全性和可维护性。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~059CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









