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。
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