s2n-tls项目在OpenSSL 3.0 FIPS模式下的签名问题分析
在s2n-tls项目中,我们发现了一个与OpenSSL 3.0 FIPS模式相关的签名兼容性问题。这个问题与之前awslc-fips中遇到的签名问题类似,但解决方案更为复杂。
问题背景
在TLS协议中,证书验证和密钥交换过程中需要对数据进行签名。传统上,这个过程可以分为两步:首先对数据进行哈希处理,然后使用私钥对哈希结果进行签名。然而,在FIPS模式下,特别是FIPS 140-3标准中,这种分离的操作方式不再被允许。
技术挑战
OpenSSL 3.0 FIPS实现要求签名操作必须使用EVP_DigestSignInit函数,而不是先单独计算哈希再签名。这带来了几个技术难点:
-
数据时序问题:在TLS握手过程中,我们通常先有需要签名的数据,然后才能确定使用哪个私钥进行签名。但EVP_DigestSignInit要求提前知道私钥。
-
内存消耗:对于TLS 1.2的证书验证消息,需要签名的是完整的握手消息而不仅仅是其哈希值。这意味着在确定使用哪个私钥前,必须保存所有原始握手消息。
-
pkey offloading特性:在某些情况下,我们可能永远不会拥有私钥(当使用pkey offloading特性时),这使得直接使用EVP_DigestSignInit变得困难。
解决方案探讨
我们考虑了以下几种可能的解决方案:
-
回调机制:在async_pkey逻辑中添加回调,延迟哈希计算。这样可以在拥有私钥后再更新哈希状态。
-
传递原始数据:修改pkey操作接口,使其接收原始数据而非哈希状态。这样可以在签名时调用EVP_DigestSignInit。
-
完整消息存储:对于TLS 1.2证书验证,存储完整的握手消息直到确定签名密钥。
经过深入分析,我们发现OpenSSL 3.0 FIPS目前仅获得FIPS 140-2认证,而上述限制主要来自FIPS 140-3标准。因此,我们可以暂时沿用awslc-fips的解决方案,同时记录未来需要为FIPS 140-3支持所做的工作。
性能与安全考量
存储完整握手消息虽然解决了技术问题,但会带来额外的内存开销。对于TLS 1.3,这种开销相对较小(约200字节),但对于TLS 1.2,可能需要存储所有握手消息。不过考虑到这些消息主要来自可信的服务器端(ClientHello除外),安全风险相对可控。
结论与建议
当前最佳实践是:
- 对于OpenSSL 3.0 FIPS 140-2模式,继续使用现有的解决方案
- 记录未来需要为FIPS 140-3支持所做的工作
- 在pkey offloading场景下,限制私钥配置以避免复杂情况
这个案例展示了密码学库升级过程中可能遇到的兼容性挑战,特别是在涉及严格安全标准如FIPS时。开发团队需要在安全性、兼容性和性能之间做出平衡决策。
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