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。
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-1.5暂无简介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