Оцениваем способность генеративных моделей к криптоанализу

Исследовательская группа представила новую методику тестирования возможностей больших языковых моделей (LLM) в области математического криптоанализа. Тестовая система получила название "CryptanalysisBench" и предназначена для проверки способностей LLM выявлять ранее неизвестные методы взлома исторических криптографических схем.

Тест включает задачи, связанные с шестью семействами криптографических примитивов, таких как блочные шифры и функции хеширования. Всего было разработано 191 задачу, разделенную на три уровня сложности:

• Уровень 1: схемы с известными методами взлома;
• Уровень 2: схемы без известных методов взлома, оцениваемые как в полной силе, так и в уменьшенных вариантах;
• Уровень 3: современные производственные схемы, представляющие наибольшую сложность для анализа.

Результаты показали, что пять передовых моделей смогли успешно решить от 65 до 86 процентов задач первого уровня, от шести до двенадцати задач второго уровня при полном размере и от 24 до 61 задачи среди всех уменьшенных вариантов. Кроме того, модели продемонстрировали способность самостоятельно разрабатывать новые подходы к криптоанализу, такие как атака восстановления ключа, использующая ошибку в конструкции режима аутентифицированного шифрования SpoC и ошибку в доказательстве безопасности против адаптивных выбранных сообщений (CCA) в схеме KINDI.

Что такое криптоанализ?

Криптоанализ представляет собой процесс поиска слабостей в криптографических системах, который позволяет выявить потенциальные угрозы цифровой безопасности. Это область пересечения математики и информационной безопасности, где большие языковые модели демонстрируют значительный прогресс благодаря своей способности выполнять сложные логико-математические рассуждения.

Как устроена новая методика тестирования?

Методика состоит из трех уровней сложности:

• Первый уровень содержит задачи, основанные на криптосистемах, которые уже были взломаны ранее. Эти задачи служат отправной точкой для оценки базовых навыков моделей.

• Второй уровень охватывает более сложные задачи, включающие схемы, для которых пока не известны практические способы взлома. Здесь оценивается способность моделей открывать новые пути для проведения атак.

• Третий уровень представлен современными производственными алгоритмами, используемыми в реальных приложениях. Этот этап является наиболее сложным и предназначен для выявления потенциальных угроз в актуальных технологиях.

Какие результаты получены?

На первом уровне все протестированные модели справились с большинством задач, показав высокий уровень точности. На втором уровне успех был менее очевиден, однако некоторые модели смогли найти решения даже там, где раньше они отсутствовали. Третий уровень оказался самым трудным, поскольку здесь требуется глубокое понимание современных криптографических конструкций и их возможных недостатков.

Кроме того, исследователи отметили, что модели способны создавать оригинальные идеи для новых атак, что свидетельствует о значительном прогрессе в развитии искусственного интеллекта.

Почему это важно для бизнеса?

Для организаций, работающих с конфиденциальными данными, особенно критически важными являются вопросы обеспечения надежной защиты информации. Новые возможности больших языковых моделей могут помочь улучшить процессы обнаружения уязвимостей и повысить общую устойчивость систем к внешним угрозам. Однако следует учитывать, что эти же технологии могут использоваться злоумышленниками для разработки новых способов обхода существующих мер безопасности.

Рекомендации по защите данных

Чтобы минимизировать риски, связанные с использованием больших языковых моделей, организациям рекомендуется принять следующие меры предосторожности:

• Регулярно обновляйте используемые криптографические библиотеки и протоколы.
• Проводите независимые аудиты своих систем на предмет наличия уязвимостей.
• Используйте многоуровневую защиту, включая аппаратное шифрование и строгие политики доступа.
• Обучайте сотрудников основам информационной безопасности и регулярно проводите тренинги по повышению осведомленности.

Эти шаги помогут снизить вероятность успешного использования новых методов криптоанализа против вашей организации.