MbedTLS项目中PK模块与PSA_WANT宏的现代化改造
背景概述
在现代密码学库MbedTLS中,公钥(PK)模块长期以来使用一系列以MBEDTLS_PK_开头的宏来控制ECDSA相关功能的编译选项。随着项目发展,PSA(Platform Security Architecture)加密API逐渐成为更现代化、更标准化的接口选择。因此,开发团队决定将这些传统宏替换为更符合PSA标准的PSA_WANT系列宏。
宏替换方案详解
本次改造涉及四个主要宏的替换:
-
MBEDTLS_PK_HAVE_ECC_KEYS
该宏原用于控制ECC公钥支持,现替换为PSA_WANT_KEY_TYPE_ECC_PUBLIC_KEY。这个变更直接反映了功能本质——需要ECC公钥支持。 -
MBEDTLS_PK_CAN_ECDSA_SIGN
原控制ECDSA签名功能,新方案需要同时检查两个条件:PSA_WANT_ALG_ECDSA和PSA_WANT_KEY_TYPE_ECC_KEY_PAIR_BASIC。这更精确地表达了ECDSA签名需要算法支持和基础ECC密钥对功能。 -
MBEDTLS_PK_CAN_ECDSA_VERIFY
验证功能的宏替换为PSA_WANT_ALG_ECDSA和PSA_WANT_KEY_TYPE_ECC_PUBLIC_KEY的组合,区分了验证与签名所需的不同条件。 -
MBEDTLS_PK_CAN_ECDSA_SOME
这个较通用的宏被简化为仅需检查PSA_WANT_ALG_ECDSA,因为只要算法被启用,就认为有某种ECDSA能力。
技术细节考量
在实际实现中,开发团队注意到一个重要技术细节:ECDSA实际上包含两种变体——随机化ECDSA和确定性ECDSA。虽然功能等效,但在PSA架构中被视为不同算法。因此,正确的检查应该是:
#define PSA_HAVE_ALG_SOME_ECDSA (PSA_WANT_ALG_ECDSA || PSA_WANT_ALG_DETERMNISTIC_ECDSA)
这个定义将被放在include/psa/*adjust*.h头文件中,作为项目范围内的公共定义使用。
实施范围与兼容性
改造工作排除了几个特殊文件:
mbedtls_config.h:主配置文件,保持原有宏check_config.h:配置检查文件config_adjust_*.h:配置调整文件
这种选择性替换确保了:
- 配置系统的向后兼容性
- 不影响现有的配置检查逻辑
- 平滑过渡到新的PSA架构
测试保障
在整个替换过程中,开发团队特别强调保持测试覆盖率不变。所有原有测试用例都必须在新的宏定义下以相同方式运行,确保功能一致性。这包括:
- 单元测试
- 集成测试
- 性能测试
- 兼容性测试
对开发者的影响
对于使用MbedTLS的开发者来说,这一变更意味着:
- 更清晰的语义:
PSA_WANT宏更直观地表达了所需功能 - 更好的模块化:与PSA架构更紧密集成
- 更精确的控制:能够区分签名和验证等不同操作的需求
未来展望
此次宏替换是MbedTLS向PSA架构全面迁移的重要一步。未来可能会看到:
- 更多传统宏被PSA等效物替代
- 更深入的PSA功能集成
- 增强的算法灵活性配置
通过这种现代化改造,MbedTLS在保持稳定性的同时,向着更现代、更安全的密码学实现迈进。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C037
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0115
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