Mbed TLS中ECDSA签名DER格式与原始R/S组件的转换
概述
在嵌入式安全领域,Mbed TLS是一个广泛使用的加密库。当使用ECDSA(椭圆曲线数字签名算法)时,签名可以有两种表示形式:DER编码格式和原始R/S组件格式。这两种格式在嵌入式安全协处理器应用中有着不同的用途和需求。
DER格式与原始R/S格式的区别
ECDSA签名本质上由两个大整数组成,通常称为R和S。在实际应用中,这两种组件的表示方式有所不同:
-
DER格式:一种ASN.1编码的可变长度格式,包含完整的签名信息。这种格式在协议传输和存储时更为常见,因为它具有自描述性。
-
原始R/S格式:将R和S组件分别表示为固定长度的字节串。这种格式通常用于安全协处理器,因为大多数硬件加密引擎需要固定长度的输入。
Mbed TLS中的转换API
从Mbed TLS 3.6.0版本开始,库中提供了两个关键函数来处理这两种格式之间的转换:
- mbedtls_ecdsa_raw_to_der:将原始R/S格式转换为DER编码格式
- mbedtls_ecdsa_der_to_raw:将DER编码格式转换为原始R/S格式
这些函数解决了嵌入式开发者在使用安全协处理器时的一个常见痛点:硬件通常需要固定长度的R/S组件输入,而协议层通常使用DER格式传输签名。
应用场景
-
安全协处理器集成:当使用带有ECDSA加速功能的硬件安全模块(HSM)或加密协处理器时,通常需要将DER格式的签名转换为原始R/S组件才能输入到硬件中。
-
协议实现:在实现TLS等协议时,收到的签名通常是DER格式的,而某些内部处理可能需要原始的R/S组件。
-
签名验证优化:在某些性能敏感的场景下,直接使用R/S组件可能比解析DER格式更高效。
最佳实践
对于新项目,建议使用PSA(Platform Security Architecture)API而不是传统的PK API。PSA API在设计时就考虑了安全协处理器的支持,并且在Mbed TLS的未来版本中将成为主要的加密API。PSA API中的psa_sign_hash和psa_verify_hash函数默认使用固定大小的R/S格式处理ECDSA签名,这简化了与安全协处理器的集成。
总结
Mbed TLS提供的ECDSA签名格式转换功能为嵌入式安全开发者提供了更大的灵活性,特别是在安全协处理器集成方面。了解这些API的使用场景和限制可以帮助开发者构建更高效、更安全的嵌入式系统。随着Mbed TLS向PSA API的演进,开发者应该考虑逐步迁移到新的API以获得更好的硬件支持和未来兼容性。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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