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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00