Erlang/OTP中SHAKE哈希算法的兼容性处理
在密码学应用中,哈希函数是不可或缺的基础组件。Erlang/OTP作为一款成熟的函数式编程语言运行时,其crypto模块提供了对各种哈希算法的支持。本文将重点讨论Erlang/OTP中SHAKE-128和SHAKE-256哈希算法的实现细节及其在OpenSSL 3.4版本中的兼容性问题。
SHAKE算法简介
SHAKE-128和SHAKE-256是可扩展输出函数(XOF),属于SHA-3家族的一部分。与传统的哈希函数不同,XOF可以产生任意长度的输出,这使得它们在需要可变长度哈希值的场景中特别有用。
在OpenSSL 3.3及更早版本中,这两个算法有默认的输出长度:
- SHAKE-128默认输出16字节(128位)
- SHAKE-256默认输出32字节(256位)
OpenSSL 3.4带来的变化
OpenSSL 3.4移除了SHAKE算法的默认输出长度,这一变化直接影响了Erlang/OTP的crypto模块。当开发者尝试使用传统方式调用这些哈希函数时:
crypto:hash_init(shake128)
|> crypto:hash_update("test")
|> crypto:hash_final()
系统会抛出错误,提示低层EVP_DigestFinal调用失败。这是因为OpenSSL 3.4要求显式指定输出长度。
临时解决方案
在Erlang/OTP的PR #9002中,开发团队采取了向后兼容的方案,恢复了SHAKE算法的默认输出长度:
- SHAKE-128恢复为16字节输出
- SHAKE-256恢复为32字节输出
这使得现有代码可以继续工作,但需要注意的是,SHAKE-128的16字节输出实际上只提供了64位的安全强度,而非算法理论上能够达到的128位安全强度。
未来改进方向
从技术角度来看,更完善的解决方案可能包括:
-
参数化初始化:引入类似
crypto:hash_init({shake128, Length})的API,允许在初始化时指定输出长度。 -
显式输出长度函数:添加
crypto:hash_final_xof(State, Length)函数,在最终计算时指定输出长度。 -
安全默认值:考虑将默认输出长度调整为更安全的32字节(SHAKE-128)和64字节(SHAKE-256),以充分发挥算法的安全潜力。
开发者建议
对于使用Erlang/OTP crypto模块的开发者,建议:
-
如果使用OpenSSL 3.4或更高版本,确保Erlang/OTP版本包含相关修复。
-
对于需要更高安全性的场景,考虑显式指定更长的输出长度,而不是依赖默认值。
-
关注Erlang/OTP未来版本中可能引入的新API,以便更灵活地使用SHAKE算法。
密码学算法的正确使用对系统安全至关重要,开发者应当充分理解所使用算法的特性和限制,做出合理的技术选择。
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