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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00