Botan密码库3.7.1版本在NixOS中的构建经验分享
背景介绍
Botan是一个现代化的C++密码库,提供了广泛的加密算法实现。近期在NixOS系统中构建Botan 3.7.1版本时,我们遇到了一些值得分享的技术问题和解决方案。
构建过程中的关键发现
1. TPM2模块的构建问题
当启用TPM2支持(--with-tpm2)时,构建环境中的测试会失败,原因是缺少TPM设备节点(/dev/tpmrm0或/dev/tmp0)。这提示我们需要考虑在测试阶段增加设备存在性检查,或者将这些测试标记为可选。
解决方案是显式启用所有相关的TPM2模块:
--with-tpm2
--enable-module=tpm2_rsa
--enable-module=tpm2_ecc
--enable-module=tpm2_crypto_backend
2. BSI策略下的FFI模块
使用BSI模块策略(--module-policy=bsi)时,FFI模块默认被禁用,这会影响botan-rs绑定和strongswan IPsec插件的使用。这不是BSI策略的故意限制,而是模块策略的工作机制导致的。
在BSI策略下,任何未明确列出的模块都不会被默认启用。FFI模块属于这种情况,因为BSI TR规范没有对C与C++ API的使用做出特别规定。
3. 现代模块策略的问题
使用现代模块策略(--module-policy=modern)时,x509单元测试会因SHAKE-256哈希不可用而失败。这表明现代策略可能需要更新以包含更多现代密码算法支持。
4. 模块启用策略的变化
值得注意的是,Botan的模块启用策略发生了变化。例如,tls模块现在被标记为仅供内部使用,需要使用tls13_pqc替代。这反映了项目对模块分类的重新思考。
技术建议
-
对于TPM2支持,建议构建系统显式启用所有相关子模块,而不仅仅是基础支持。
-
使用模块策略时,需要特别注意哪些模块需要额外启用。BSI策略下,FFI等模块不会自动启用。
-
测试环境应考虑设备依赖性问题,特别是硬件相关的测试用例。
-
模块策略系统可能需要进一步优化,以提供更好的用户体验和更直观的模块管理方式。
总结
Botan作为一个功能丰富的密码库,在构建和配置上提供了很大的灵活性。通过这次在NixOS中的构建经验,我们看到了模块策略系统的一些边界情况,也发现了TPM2支持等功能的配置细节。这些经验对于在其他发行版中部署Botan也有参考价值。
随着密码学技术的不断发展,我们期待Botan的模块策略系统能够进一步演进,提供更直观的配置体验,同时保持其安全性和灵活性。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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