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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00