Anthropic Claude Mythos Preview 发现了针对 HAWK 和减轮 AES 的改进攻击

TL;DR

Anthropic 发布了两项新的密码分析结果，这些结果很大程度上是由 Claude Mythos Preview 自主生成的：一项是将后量子签名方案 HAWK 的有效密钥大小减半的攻击，以及一种针对 7 轮 AES 的中间相遇攻击，其速度比之前的工作快 200–800 倍。这两种攻击都是理论性的，不会影响已部署的系统，但它们说明了语言模型在发现算法缺陷方面的强大能力。

研究公告概述

Anthropic 的博客文章《使用 Claude 发现密码学弱点》详细介绍了如何使用 Claude Mythos Preview 模型来发现针对两种成熟密码原语的新攻击。这项工作是在极少人工指导下完成的，每次攻击的 API 使用成本约为 10 万美元，并已负责任地向 NIST 和 HAWK 的原始作者披露。研究结果记录在两篇独立的论文中，并附带了开源演示代码和用于未来 LLM 驱动密码分析的基准测试套件 (CryptanalysisBench)。

改进的 HAWK 密钥恢复攻击

核心结果

Claude Mythos Preview 在 HAWK 底层的格（lattice）中识别出一个非平凡的自同构，从而实现了一种更快的枚举攻击，将该方案的有效密钥大小降低了一倍。对于 HAWK-256 参数集，预期的攻击成本从 (2^{64}) 降至 (2^{38})。

技术基础

  • HAWK 的安全性依赖于格同构问题（Lattice Isomorphism Problem）的难度。
  • 先前的研究（例如 ePrint 2025/928）证明了高效地找到此类自同构将允许攻击，但并未证明其在 HAWK 的格中存在。
  • Mythos 发现了该自同构，在 Sage/Python 中构建了验证流水线，并完成了端到端的攻击确认。

发现过程

  • 一个类似于 Claude Code 的多智能体框架协调了多个具有计算工具和密码学文献访问权限的工作智能体。
  • 人工监督仅限于项目管理；关键见解源于两个智能体之间的对话，其中一个智能体最初否决了这个想法，随后另一个智能体对其进行了完善。
  • 总发现时间：约 60 小时；API 成本：约 10 万美元。

影响评估

  • 该攻击是指数级的而非多项式的，且仅影响 HAWK，这是一种尚未部署的 NIST 第三轮候选方案。
  • 它证明了 AI 可以发现经过两年专家审查后依然存在的结构性弱点。
  • 该结果表明，未来的 NIST 候选方案应使用 AI 辅助分析进行评估，以避免类似的疏忽。

更快的 7 轮 AES 中间相遇攻击

核心结果

Claude Mythos Preview 引入了一种“Möbius Bridge”指纹算法，消除了在针对 7 轮 AES-128 的已知最佳中间相遇攻击中需要进行的 256 倍枚举步骤，实现了 200–800 倍的加速。

技术基础

  • 该攻击假设在最多 (2^{105}) 次查询的选定明文模型下，与之前的学术设置一致。
  • Möbius Bridge 创建了一个对早期攻击中所需的 256 次猜测具有不变性的变换，从而减少了查找表的次数。
  • 其他优化抵消了变换带来的更高计算成本。

发现过程

  • 研究人员构建了一个脚手架，让 Claude 能够提出假设、运行实验并自主迭代。
  • 最初需要提示词来克服 Claude 自我设定的“AES-128 是真正困难的”这一信念。
  • 在三天时间里，Claude 生成了数亿个 token，最终在约十亿个 token 后提出了 Möbius Bridge。
  • 人工工作集中在验证数学逻辑和准备论文；验证工作花费了数百小时。

影响评估

  • 该攻击针对的是 AES 的 7 轮简化版本，而非完整的 10 轮密码，因此没有直接的实际影响。
  • 它扩展了长期的减轮 AES 研究路线，表明 LLM 可以加速微妙算法改进的发现。

支持基础设施：CryptanalysisBench

Anthropic 与苏黎世联邦理工学院、特拉维夫大学和柏林工业大学合作发布了 CryptanalysisBench (arXiv 2607.18538)，这是一个打包了多种密码的基准测试套件，用于系统地评估 LLM 的密码分析能力。该基准测试旨在促进可复现性并追踪未来的模型能力。

其他初步发现

  • LEA-13 攻击 – Mythos 发现了一种针对 13 轮 LEA 的密钥恢复攻击，在台式机上仅需不到一小时且需要 (<2^{30}) 个明文。完整的 24 轮 LEA 仍然是安全的。
  • Serpent-6 攻击 – 一种针对 6 轮 Serpent-128 的全密钥恢复方法，改进了之前需要 (>2^{70}) 个明文的现有工作。
  • 在 Salsa20、Poseidon 和 SHA-1 上观察到了微小的增益 (<10×)。
  • 这些结果仍在验证中，将在未来的出版物中发布。

对密码学和安全研究的启示

  • AI 增强的密码分析 – HAWK 和 AES 的结果证明，前沿 LLM 可以进行研究级别的密码分析，有可能加速发现候选方案和已部署方案中的弱点。
  • 人类瓶颈 – 虽然模型可以快速生成攻击，但人类专家仍需花费大量时间验证正确性，特别是对于像 AES Möbius Bridge 这样复杂的攻击。
  • 政策考量 – Anthropic 遵循了负责任的披露原则，在公开之前通知了 NIST 和 HAWK 的作者。随着 AI 驱动的攻击变得更加强大，协调披露框架将变得至关重要。
  • 未来工作流程 – 作者预计 AI 将成为对抗性审查的标准工具，帮助设计者迭代出更具韧性的算法，并可能为下一代密码原型的设计做出贡献。

结论

Anthropic 的公告表明，Claude Mythos Preview 可以自主发现针对后量子签名和对称密码的数学上非平凡的攻击。尽管这些攻击针对的是未部署或减轮版本，但它们凸显了一个范式转移：语言模型现在有能力贡献实质性的密码分析研究，促使安全界调整验证流程，并将 AI 工具整合到标准的密码学审查流程中。

全文论文链接

Sources

相关