人工智能持续展现出远超简单文本生成的能力。我的分析团队记录了一项重大突破:Claude Mythos Preview 模型成功识别出两种密码分析攻击——针对后量子数字签名方案 HAWK 的攻击,以及针对简化版对称加密算法 AES-128 的攻击。

这并非针对运行中系统的破解,而是基础性研究成果。然而,其意义怎么强调都不为过:人工智能首次展现出进行专业密码分析的能力,而这此前完全是人类的专属领域。

对 HAWK 的攻击:安全性降低但未被攻破

Claude Mythos Preview 发现了 HAWK(一种后量子数字签名标准化候选方案)数学结构中此前未知的对称性。这一发现使得密钥恢复攻击得以加速。对于 HAWK-256 版本,有效密钥强度从 2^64 次操作降至 2^38 次操作。这是严重的削弱,但对于 HAWK-512 和 HAWK-1024 版本,攻击仍然几乎不可行。

根据我的评估,这一发现并不会全盘否定基于格的后量子密码学,但迫使人们重新审视小密钥方案的安全参数。Anthropic 正确地指出,为保持原有的保护水平,HAWK 的密钥大小需要大约翻倍,这将抵消该方案的关键优势之一——紧凑性。

针对 AES 的 Möbius Bridge:加速数百倍

第二个成果涉及 7 轮版本的 AES-128。该模型提出了一种名为 Möbius Bridge 的方法,将现有的“中间相遇攻击”(meet-in-the-middle)提升了 200 到 800 倍(取决于执行时间的计算方式)。然而,必须强调的是:这纯粹是研究场景。该攻击需要 2^105 次选择明文查询加密器,这使得它在实际系统中完全不可行。

完整的 10 轮 AES-128 仍然是安全的。这一结果出色地展示了人工智能的研究潜力,而非对现代密码学的威胁。

发现的成本与新的基准测试

这两项研究每项花费了大约 10 万美元的 API 成本。寻找对 HAWK 的攻击耗时约 60 小时,而对 AES 结果的验证则花费了研究人员数百小时的工作。这与一个小型专家团队的工作成本相当。

为了评估语言模型的密码分析能力,提出了 CryptanalysisBench 基准测试。它包含 191 个任务,涵盖六个密码学原语家族。结果显示,最佳模型能解决 65% 到 86% 的第一级任务,但对于没有已发布攻击的完整方案,其成功率不超过 9%。

分析师结论

我们正在见证一种范式转变:人工智能不再仅仅是一种工具,而是成为研究过程的正式参与者。对于密码行业而言,这意味着安全审计和算法强度分析可以更快、更高效地进行。然而,主要挑战依然存在——验证人工智能获得的结果。数据显示,即使是先进的模型也远未达到对复杂方案进行全面分析的水平,但发展方向是明确的,并且对于过时或脆弱的密码学原语来说极为危险。