OC
Canonical 要把大规模 C 代码迁移到 Rust:难点不在翻译语法
科技 · 2026-08-21 · 开发者工具 · 阅读 10

Canonical 要把大规模 C 代码迁移到 Rust:难点不在翻译语法

据 Linuxiac 报道,Canonical 与英国布里斯托大学启动一项为期三年的研究项目,目标是开发一套把大型 C 代码库转换为更安全 Rust 实现的平台。项目计划以 AppArmor 和 snap-confine 等案例研究复杂系统代码,但并不意味着 Ubuntu 会立刻替换现有实现。

作者 林岚 林岚

据 Linuxiac 报道,Canonical 与英国布里斯托大学启动一项为期三年的研究项目,目标是开发一套把大型 C 代码库转换为更安全 Rust 实现的平台。项目计划以 AppArmor 和 snap-confine 等案例研究复杂系统代码,但并不意味着 Ubuntu 会立刻替换现有实现。

大规模 C 到 Rust 的难点从来不是把关键字换成另一种写法。C 代码通常包含隐含的内存所有权、指针别名、宏展开、平台条件、构建脚本和未写进文档的 ABI 约束。自动翻译可以生成看起来合理的函数,但很难单独判断原实现依赖的生命周期和错误处理是否真的被保留。

项目采用神经符号混合思路,试图把大模型的代码生成能力和规则、程序分析、功能验证结合起来。代码会被分块处理,再通过测试和一致性检查确认行为。这个方向的关键不是让模型“猜得更像”,而是把无法证明的部分暴露出来,交给工程师继续处理。

即使迁移成功,Rust 也不能自动消除所有安全问题。内存安全缺陷可能减少,但权限设计、输入验证、逻辑错误、并发协议和供应链风险仍然存在。对于系统级项目来说,新旧实现并行验证、性能回归和兼容性维护,往往比第一版翻译更耗时。

Canonical 支持这一项目,说明 Linux 发行版厂商正在把 Rust 视为长期基础设施,而不仅是新项目的可选语言。但三年研究周期也提醒我们,自动迁移还处于工程化阶段。真正的成果应该是可复用的验证流程和迁移工具,而不是一次漂亮的代码演示。

代码分块、语义分析、Rust 生成与行为验证的闭环

关键事实

  • 项目周期:三年。
  • 参与方:Canonical 与英国布里斯托大学。
  • 技术路线:神经符号混合、分块翻译和功能一致性验证。
  • 案例方向:AppArmor、snap-confine 等复杂 C 代码。

OC 判断

C 到 Rust 的自动迁移真正要解决的是“如何证明没改坏”,而不是“能否生成 Rust 代码”。如果工具不能把语义不确定性、兼容性风险和未验证路径标出来,它只是在更快地产生新的维护负担。

为什么重要

  • 对开发者:未来会出现更多半自动迁移工具,但测试和人工审查不会消失。
  • 对企业:老旧 C 代码的安全改造可能从重写项目变成持续迁移流程。
  • 对开源生态:Rust 的长期普及取决于能否降低存量代码迁移成本。

参考来源

相关阅读

基于标题、摘要和正文内容自动匹配。

更多科技

评论

围绕这篇文章补充信息、提出问题或分享观察。

0
暂无评论。

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

更多

奉劝大家不要移民了

<p>对于大多数人而言,移民就是悲剧。实在看不下去了,大家不要往火坑里面跳。 国内发展那么快,你出国去慢车道,消费又高,又存不下钱,又要拼命适应当地环境,何苦? 老老实实在大城市找工作,根据收入买房子上车就好。</p> <p>补充:大城市觉得房价太高太辛苦,就好好学好英语,美国远程回老家省会城市,拿同比一线的收入,三线城市的开销,岂不美哉?</p> <p>转文章: <a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&amp;mid=2651016481&amp;idx=1&amp;sn=6bde227438ea02e3da3673295821692e&amp;chksm=80721b32b705922448a9f8645e8d1a8450e57151b71e58beb64e0addf9485ad0b256a431d68b&amp;mpshare=1&amp;scene=1&amp;srcid=0530QgwbtdDlMP4ZG7Nkonpo&amp;pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd"> 中产阶级的地雷阵 #D03 </a></p> <p>更多文章:<a href="https://mp.weixin.qq.com/s?__biz=MzAxNTMxMTc0MA==&amp;mid=503532389&amp;idx=1&amp;sn=84ff5eefb88e1b17f9ec0efb0238140d&amp;chksm=00721d76370594601903172e49477ce0ed149a3ba1bdcb88a300b55c8c552a79ea31134216ae&amp;mpshare=1&amp;scene=1&amp;srcid=0719VQx1dNX5rlraUqjWtCFm&amp;pass_ticket=bz%2FdHaz2YWQrgwhgQlVVXt866SMnyXU53Dd0OzDmMc1uZeu0PqND%2FjdQ6fQk8Bdl#rd">列表</a></p>

halida 198 9

你为什么不移民?

<p>我是一定要移了,在这里连正常呼吸都不行了。以前正常呼吸指的是言论自由,现在是生物学意义的正常呼吸问题了。</p> <p>你为什么不移民?</p>

tinyfool 741 48

做 AI 语音产品时,授权、撤回和审计日志应该怎么落地?

<p>最近看到越来越多关于声音授权的讨论。对开发者来说,真正麻烦的往往不是“模型能不能模仿”,而是授权如何进入系统、生成结果如何追溯,以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是,不要把“用户勾选过同意”当成一个布尔字段,而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性,例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时,可以绑定不同的授权,而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更,如果任务只查最新状态,历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id,并反向关联任务。</p> <p>我会把最小链路设计成:</p> <ol> <li>voice_asset:原始声音及版本;</li> <li>consent_grant:授权范围与证据;</li> <li>generation_job:请求参数和授权快照;</li> <li>audio_artifact:输出文件、校验值和公开状态;</li> <li>audit_event:谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后,系统至少要阻止新任务,并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除,要按照合同和产品能力区分,不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired,并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志,公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案,但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来,比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走,越觉得声音效果只是前半程,权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储,还是单独的审计系统?如果授权撤回,你们通常怎么处理已经生成并交付的音频?</p>

FlowSpeech 0 1