OpenSSL项目中ML-KEM/ML-DSA算法的关键修复与优化
在OpenSSL项目中,随着ML-KEM和ML-DSA算法的合并,开发团队识别并解决了一系列关键问题。这些修复不仅涉及测试框架的调整,还包括算法实现的优化和配置管理的改进。以下是这些修复的详细技术分析。
测试框架的调整
测试框架的调整主要集中在确保ML-DSA算法在不同构建配置下的正确性。具体包括:
-
测试文件的重定位:将ML-DSA的测试文件从默认测试列表中移出,转而纳入同时测试FIPS和默认配置的列表中。这一调整确保了测试的全面性,覆盖了不同配置下的算法行为。
-
CI配置的更新:更新了CI配置文件,增加了
no-ml-dsa选项,以支持在禁用ML-DSA的情况下进行构建和测试。这一变更确保了构建系统的灵活性,能够适应不同的用户需求。 -
SSL测试的修复:修复了在禁用ML-DSA时
test_ssl_new测试失败的问题。通过将no-ml-dsa添加到批量排除列表中,并优化生成的SSL测试文件检查逻辑,确保了测试的稳定性和一致性。
算法实现的优化
在算法实现方面,团队对ML-KEM和ML-DSA进行了多项优化:
-
EVP测试的改进:移除了ML-KEM实现中自定义字段的使用,转而采用标准的控制机制。这一变更使得代码更加规范,减少了潜在的错误来源。
-
字符串比较的优化:在
t1_lib.c文件中,将字符串比较改为不区分大小写,提升了代码的健壮性和兼容性。 -
算法别名的添加:为ML-KEM添加了OID长名称作为算法别名,提高了算法的可识别性和易用性。
配置管理的增强
配置管理方面的改进主要包括:
-
批量禁用功能的扩展:在Configure脚本中增加了对ML-KEM的批量禁用支持,使得用户能够更方便地管理算法启用状态。
-
导入时间PCT的可配置性:实现了导入时间PCT(Probabilistic Checkable Testing)的可配置性,为用户提供了更大的灵活性,可以根据实际需求调整测试强度。
总结
通过这些修复和优化,OpenSSL项目不仅提升了ML-KEM和ML-DSA算法的稳定性和可靠性,还增强了构建和测试系统的灵活性。这些变更体现了开发团队对代码质量和用户体验的持续关注,为后续的功能扩展和维护奠定了坚实的基础。对于开发者而言,理解这些变更背后的技术细节,将有助于更好地利用OpenSSL的强大功能。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C082
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python056
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0135
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