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_224MBEDTLS_MD_CAN_SHA3_256→PSA_WANT_ALG_SHA3_256MBEDTLS_MD_CAN_SHA3_384→PSA_WANT_ALG_SHA3_384MBEDTLS_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。
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