PolarSSL项目发布Mbed TLS 3.6.3版本:安全加固与功能增强
PolarSSL(现更名为Mbed TLS)是一个轻量级的开源SSL/TLS加密库,专为嵌入式系统和资源受限环境设计。它提供了SSL/TLS协议实现以及各种加密算法,广泛应用于物联网设备、网络通信等安全领域。本次发布的Mbed TLS 3.6.3版本是一个长期支持(LTS)分支的重要更新,包含多项安全修复和功能改进。
安全增强措施
本次3.6.3版本重点解决了几个关键的安全问题:
-
TLS握手认证强化:修复了一个可能导致TLS握手过程中身份验证被绕过的潜在问题。现在,如果TLS客户端没有调用
mbedtls_ssl_set_hostname()函数且尝试基于证书的服务器认证,握手过程将明确失败并返回特定错误码。这一改变防止了服务器可能被错误识别的风险场景。 -
内存安全改进:在多个PSA(Platform Security Architecture)操作中增加了临时堆缓冲区的清零处理,特别是在ECC密钥对派生过程中,确保敏感信息不会残留在内存中。
-
TLS 1.2握手修复:修正了在计算Finished消息时若发生内存分配失败或加密硬件故障可能导致的潜在问题,确保TLS握手过程的安全保证不被破坏。
重要功能更新
3.6.3版本引入了几个值得关注的新特性:
-
静态密钥槽支持:新增了
MBEDTLS_PSA_STATIC_KEY_SLOTS配置选项,允许使用静态存储而非动态分配来管理密钥槽,这使得在无malloc环境中使用密钥槽成为可能。配套的MBEDTLS_PSA_STATIC_KEY_SLOT_BUFFER_SIZE选项可自定义缓冲区大小。 -
增强的MD模块兼容性:现在MD模块可以在更广泛的配置下执行PSA分发,即使在不完全支持PSA Crypto的环境中也能工作,只要链接了适当的PSA Crypto提供程序库并正确初始化。
-
TLS消息重组支持:新增了对分片握手消息的重组能力,解决了与某些服务器(特别是TLS 1.3环境下)的兼容性问题。需要注意的是,分片的ClientHello仅在启用TLS 1.3支持时才被支持。
性能优化与问题修复
除了安全和功能方面的改进,3.6.3版本还包含多项优化和修复:
-
ECC密钥生成优化:不再计算立即丢弃的公钥,显著提高了PSA ECC密钥生成的性能。
-
编译问题修复:解决了MS-DOS DJGPP平台上的编译问题,修正了AES-NI内联汇编在特定编译器下的约束问题,以及Visual Studio 2013和MinGW环境下SSL调试启用时的运行时崩溃问题。
-
API行为修正:修复了
psa_key_derivation_input_integer()在操作中止后未能正确检测错误状态的问题,以及mbedtls_psa_raw_to_der()和mbedtls_psa_der_to_raw()在bits=0时的未定义行为。
升级建议
作为长期支持分支,Mbed TLS 3.6将至少维护到2027年3月。考虑到本次版本包含重要的安全修复和稳定性改进,建议所有用户在其开发生命周期的适当时机进行升级。特别是那些依赖TLS协议进行安全通信的嵌入式系统和物联网设备,应及时应用这些安全补丁以防止潜在的安全风险。
对于需要保持与旧版本兼容的用户,可以通过设置MBEDTLS_SSL_CLI_ALLOW_WEAK_CERTIFICATE_VERIFICATION_WITHOUT_HOSTNAME编译选项来恢复原先的主机名验证行为,但出于安全考虑,建议尽可能遵循新的安全实践。
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