آنتروپیک با Mythos به الگوریتم استانداردهای رمزنگاری حمله کرد و چندین نقص امنیتی پنهان را کشف کرد

این پژوهش شامل دو دستاورد مهم است:

1. توسعه یک حمله بهبود‌یافته علیه الگوریتم امضای دیجیتال HAWK که برای عصر پساکوانتومی طراحی شده است.
2. یافتن روشی جدید برای حمله به نسخه کاهش‌یافته‌ای (round-reduced) از استاندارد رمزنگاری AES، یکی از پرکاربردترین رمزهای متقارن جهان.

از یافتن خطاهای پیاده‌سازی تا کشف ضعف‌های ریاضی

اگرچه این یافته‌ها از نظر پژوهشی اهمیت زیادی دارند، اما در شرایط فعلی هیچ تأثیر مستقیمی بر سامانه‌های عملیاتی ندارند. حمله به HAWK مربوط به الگوریتمی است که هنوز در مرحله بررسی استانداردسازی قرار دارد و در سیستم‌های واقعی استفاده نمی‌شود. همچنین حمله دوم تنها نسخه‌ای ساده‌شده از AES را هدف قرار داده و امنیت نسخه کامل این الگوریتم را تهدید نمی‌کند. بااین‌حال، این نتایج نشان می‌دهند که مدل‌های پیشرفته هوش مصنوعی می‌توانند در آینده به ابزارهایی قدرتمند برای کشف ضعف‌های رمزنگاری تبدیل شوند؛ چه پیش از استفاده عمومی از الگوریتم‌ها و چه پس از استقرار آن‌ها در سیستم‌های واقعی.

پیش‌ازاین، Claude Mythos Preview توانسته بود آسیب‌پذیری‌هایی را در کتابخانه‌های رمزنگاری پیدا کند. این آسیب‌پذیری‌ها ناشی از اشتباهات برنامه‌نویسی در پیاده‌سازی الگوریتم‌ها بودند؛ یعنی خود الگوریتم از نظر ریاضی مشکل نداشت، اما نحوه استفاده از آن در کد باعث ایجاد فرصت برای حمله می‌شد.

اکنون آنتروپیک اعلام کرده است که Claude توانسته ضعف‌هایی را در خود الگوریتم‌های رمزنگاری پیدا کند؛ موضوعی که سطح متفاوتی از توانایی پژوهشی را نشان می‌دهد. الگوریتم‌های رمزنگاری بخش اساسی امنیت دیجیتال هستند. برای مثال، مرورگرها هنگام اتصال به وب‌سایت‌ها از امضای دیجیتال برای اطمینان از اصالت ارتباط استفاده می‌کنند و سپس داده‌های منتقل‌شده با رمزهای متقارن محافظت می‌شوند. وجود ضعف در این الگوریتم‌ها می‌تواند امنیت ایمیل‌ها، بانکداری آنلاین و ارتباطات اینترنتی را به خطر بیندازد.

حمله جدید به الگوریتم HAWK

اولین یافته مربوط به الگوریتم امضای دیجیتال HAWK است؛ یکی از نامزدهای مرحله سوم رقابت استانداردسازی امضاهای دیجیتال پساکوانتومی توسط مؤسسه ملی استاندارد و فناوری آمریکا (NIST). این فرایند با هدف توسعه الگوریتم‌هایی انجام می‌شود که حتی در برابر رایانه‌های کوانتومی آینده نیز مقاوم باشند؛ زیرا رایانه‌های کوانتومی در صورت توسعه کافی می‌توانند بسیاری از الگوریتم‌های رمزنگاری فعلی مانند RSA یا ECDSA را تضعیف کنند.

HAWK بر پایه یک مسئله ریاضی به نام مسئله ایزومورفیسم شبکه‌ای (Lattice Isomorphism Problem) ساخته شده است. پژوهشگران آنتروپیک با کمک مدل Mythos موفق شدند یک تقارن ریاضی جدید در ساختار شبکه مورداستفاده HAWK پیدا کنند که پیش‌تر مورداستفاده قرار نگرفته بود.

این کشف باعث شد یک حمله شناخته‌شده علیه HAWK سریع‌تر شود و «اندازه مؤثر کلید» این الگوریتم عملاً به نصف کاهش پیدا کند. هزینه تخمینی حمله کامل به کوچک‌ترین نسخه HAWK-256 پیش‌ازاین حدود 2⁶⁴ محاسبه در نظر گرفته می‌شد، اما حمله جدید این مقدار را به حدود 2³⁸ کاهش داده است.

با وجود این کاهش امنیتی، حمله همچنان از نوع نمایی است و به معنای شکستن عملی الگوریتم نیست. همچنین این ضعف فقط مربوط به HAWK است و دیگر نامزدهای رمزنگاری پساکوانتومی NIST یا رمزنگاری مبتنی بر شبکه را تحت‌تأثیر قرار نمی‌دهد.

فرایند کشف این حمله حدود ۶۰ ساعت طول کشید و هزینه محاسباتی آن نزدیک به ۱۰۰ هزار دلار برآورد شده است. Claude در این فرایند به‌صورت نیمه‌خودکار و در یک محیط چندعاملی کار کرد. پژوهشگر انسانی بیشتر نقش مدیریت پروژه، هدایت مسیر تحقیق و بررسی نهایی نتایج را داشت و متخصص رمزنگاری شبکه‌ای نبود.

 full paper on HAWK

بهبود حمله علیه نسخه کاهش‌یافته AES

دومین دستاورد به استاندارد رمزنگاری پیشرفته (AES) مربوط است؛ الگوریتمی که از سال ۲۰۰۱ توسط NIST استاندارد شده و یکی از دقیق‌ترین بررسی‌شده‌ترین الگوریتم‌های رمزنگاری جهان محسوب می‌شود. پژوهشگران برای بررسی امنیت AES معمولاً نسخه‌های ساده‌شده آن را مطالعه می‌کنند. نسخه مورد بررسی در این تحقیق، AES-128 با هفت مرحله رمزنگاری (Round) بود، درحالی‌که نسخه کامل AES-128 دارای ۱۰ مرحله است.

Claude Mythos توانست حمله‌ای جدید برای این نسخه کاهش‌یافته طراحی کند که سرعت بهترین حملات قبلی را بین ۲۰۰ تا ۸۰۰ برابر افزایش می‌دهد. این حمله بر پایه روشی به نام Meet-in-the-Middle Attack توسعه یافته است. در این نوع حمله، مهاجم با ذخیره‌سازی برخی محاسبات میانی، تلاش می‌کند زمان اجرای حمله را کاهش دهد؛ هرچند این کار به فضای ذخیره‌سازی بیشتری نیاز دارد.

Claude در این پژوهش الگوریتمی جدید برای شناسایی الگوها طراحی کرد که آنتروپیک آن را «پل موبیوس» (Möbius Bridge) نامیده است. این روش یکی از مراحل محاسباتی حمله را که پیش‌تر نیازمند بررسی ۲۵۶ مقدار مختلف بود، حذف می‌کند. فرایند کشف این حمله تقریباً کاملاً خودکار انجام شد. در ابتدا Claude تصور می‌کرد بهبود حمله AES امکان‌پذیر نیست و چند بار اعلام کرد که AES یکی از بررسی‌شده‌ترین استانداردهای رمزنگاری‌های موجود است. اما پس از تغییر نحوه هدایت مدل و تأکید بر جست‌وجوی ایده‌های جدید، Claude شروع به تولید فرضیه‌ها و آزمایش آن‌ها کرد.

طی سه روز، مدل صدها میلیون توکن تولید کرد و تنها با چند پیام راهبردی از سوی پژوهشگر، به ایده اصلی Möbius Bridge رسید. پس از آن، Claude این ایده را توسعه داد و در نهایت پس از تولید حدود یک میلیارد توکن، نسخه نهایی حمله را ارائه کرد. بااین‌حال، اعتبارسنجی انسانی این نتیجه زمان بیشتری گرفت. پژوهشگران آنتروپیک چند صد ساعت صرف بررسی ادعاهای مدل، مطالعه مبانی رمزنگاری و آماده‌سازی مقاله کردند.

 full paper on AES

مسیر آینده: هوش مصنوعی به‌عنوان پژوهشگر رمزنگاری

آنتروپیک اعلام کرده است که این دو نتیجه تنها بخشی از آزمایش‌های انجام‌شده با Claude Mythos هستند. این مدل همچنین حمله‌هایی علیه نسخه‌های کاهش‌یافته الگوریتم‌های دیگری مانند LEA و Serpent-128 پیدا کرده است، اما این حمله‌ها نیز نسخه کامل الگوریتم‌ها را تحت‌تأثیر قرار نمی‌دهند و اثر عملی فوری ندارند. برای ادامه بررسی توانایی مدل‌های زبانی بزرگ در رمزنگاری، آنتروپیک با پژوهشگران دانشگاه‌هایی مانند ETH زوریخ، دانشگاه تل‌آویو و دانشگاه حیفا همکاری کرده و معیار ارزیابی جدیدی به نام CryptanalysisBench توسعه داده است.

CryptanalysisBench

این شرکت تأکید کرده که تمام یافته‌ها مطابق فرایندهای افشای مسئولانه بررسی شده‌اند و پیش از انتشار عمومی با پژوهشگران دانشگاهی، دولت آمریکا و شرکای صنعتی به اشتراک گذاشته شده‌اند.

نتایج این تحقیق بخشی از روند گسترده‌تری است که نشان می‌دهد مدل‌های هوش مصنوعی به‌تدریج توانایی انجام پژوهش‌های سطح بالا در حوزه‌های علمی مختلف را پیدا می‌کنند. در حوزه امنیت سایبری، این موضوع اهمیت ویژه‌ای دارد؛ زیرا حجم آسیب‌پذیری‌هایی که مدل‌های هوش مصنوعی می‌توانند کشف کنند ممکن است از توانایی انسان‌ها برای بررسی و اصلاح آن‌ها پیشی بگیرد.

آنتروپیک معتقد است در آینده مدل‌های هوش مصنوعی می‌توانند نقش مهمی در طراحی و ارزیابی نسل جدید الگوریتم‌های رمزنگاری ایفا کنند. جامعه رمزنگاری همواره از بررسی‌های خصمانه و تلاش برای شکستن الگوریتم‌ها سود برده است؛ زیرا الگوریتم‌ها پس از آزمون‌های سخت‌تر، امن‌تر می‌شوند. بر همین اساس، ورود مدل‌های هوش مصنوعی به این حوزه می‌تواند فرایند ارزیابی رمزنگاری را تقویت کند و در نهایت به ساخت سامانه‌های دیجیتال امن‌تر برای کاربران سراسر جهان منجر شود.