OWASP ASVS 项目中的加密模式验证要求解析
2025-06-27 20:33:29作者:冯梦姬Eddie
在OWASP应用安全验证标准(ASVS)的加密章节中,6.5.5条款的修改引发了关于加密与认证机制组合使用的深入讨论。本文将从技术角度解析这一条款的技术背景和最佳实践。
加密与认证的组合模式
在密码学实践中,将加密算法与消息认证码(MAC)算法组合使用时,存在三种基本模式:
- 加密然后MAC(Encrypt-then-MAC):先加密数据,然后对密文计算MAC
- MAC然后加密(MAC-then-Encrypt):先计算明文的MAC,然后加密明文和MAC
- 加密与MAC并行(Encrypt-and-MAC):分别计算明文MAC和加密明文
其中,加密然后MAC(Encrypt-then-MAC)被广泛认为是最安全的组合方式。这种模式可以确保攻击者无法篡改密文而不被发现,因为任何对密文的修改都会导致MAC验证失败。
原条款的技术问题
原6.5.5条款提到"验证任何经过认证的签名是否按要求在加密然后MAC或加密然后哈希模式下运行",这一表述存在两个技术问题:
- 术语混淆:将"签名"(通常指非对称数字签名)与MAC(消息认证码)混为一谈,这两者在密码学中是完全不同的概念
- 范围不明确:没有明确区分数字签名场景和MAC场景的使用要求
修订建议的技术考量
Bart Preneel提出的修订建议将条款明确为:"验证任何加密算法和MAC算法的组合是否按要求在加密然后MAC模式下运行"。这一修订:
- 明确了适用范围仅针对加密与MAC的组合场景
- 移除了容易引起混淆的"签名"术语
- 强调了加密然后MAC这一特定模式的重要性
TLS兼容性的特殊考量
值得注意的是,TLS 1.2协议中的某些密码套件(如基于CBC模式的套件)实际上采用的是MAC-then-Encrypt模式。这是由于历史原因和向后兼容性考虑。虽然从纯密码学角度看这不是最理想的选择,但在实际部署中,这种妥协有时是必要的。
最佳实践建议
对于现代应用开发,我们建议:
- 优先使用AEAD(认证加密关联数据)算法,如AES-GCM、ChaCha20-Poly1305等
- 当必须组合使用加密和MAC时,严格采用Encrypt-then-MAC模式
- 仅在必须与遗留系统交互时考虑MAC-then-Encrypt模式
- 完全避免使用Encrypt-and-MAC模式
OWASP ASVS的这一条款修订反映了密码学实践中的精确性和严谨性要求,确保安全标准能够准确指导开发人员实施正确的加密方案。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1