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。
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