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。
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