BC-Java项目中RSA-PSS签名在CMS中的编码问题解析
在密码学应用中,RSA-PSS(Probabilistic Signature Scheme)是一种广泛使用的签名方案。近期在BC-Java(Bouncy Castle Java库)项目中,发现了一个关于RSA-PSS签名在CMS(Cryptographic Message Syntax)中编码的有趣案例。
问题背景
根据RFC 4055标准,RSA-PSS参数应当包含四个组成部分:
- 哈希算法(默认SHA-1)
- 掩码生成算法(默认MGF1 with SHA-1)
- 盐值长度(默认20字节)
- 尾部字段(默认1)
然而在某些情况下,开发者发现BC-Java生成的签名中缺少了盐值长度(saltLength)字段,这可能导致验证方误认为使用的是默认的20字节盐值,而实际上签名可能是使用32字节(对应SHA-256)生成的。
技术分析
深入分析这个问题,我们发现几个关键点:
-
参数继承问题:当签名者没有显式指定PSS参数时,系统可能会继承默认参数(SHA-1相关),即使实际使用的是SHA-256算法。
-
版本差异:最新版本的BC-Java(如1.78.1之后)已经修正了这个问题,会正确包含盐值长度字段。例如,对于SHA-256签名,现在会明确指定saltLength为32。
-
规范灵活性:RFC 4055虽然建议盐值长度等于哈希输出长度,但这不是强制要求,这为不同实现提供了灵活性,但也可能导致互操作性问题。
最佳实践建议
为了避免这类问题,开发者应当:
-
显式指定参数:在使用RSA-PSS签名时,始终明确设置所有PSS参数,包括哈希算法、MGF算法和盐值长度。
-
版本升级:确保使用最新版本的BC-Java库,其中已经包含了相关修复。
-
验证参数一致性:在签名和验证两端,检查所有密码参数是否匹配,特别是盐值长度这种容易忽略的参数。
-
测试验证:在部署前,使用不同验证工具交叉验证签名,确保互操作性。
结论
这个案例展示了密码学实现中参数传递的重要性。虽然现代密码库提供了很多默认值以提高易用性,但在安全敏感的场合,显式优于隐式仍然是最好的实践原则。BC-Java项目团队已经解决了这个问题,但开发者仍需注意正确使用这些API,以确保签名的有效性和互操作性。
对于历史遗留系统,如果遇到验证失败的情况,检查PSS参数编码是重要的排错步骤之一,特别是确认盐值长度是否与实际使用值一致。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-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。00