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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00