LLMs como Agentes Criptoanalíticos: Ataques a HAWK y AES Reducido

La criptografía es la base de la seguridad digital, protegiendo comunicaciones y datos mediante algoritmos matemáticos. Históricamente, la fortaleza de estos algoritmos ha dependido de un riguroso escrutinio humano. Sin embargo, la emergencia de modelos de lenguaje grandes (LLMs) con capacidades de razonamiento y experimentación autónoma está redefiniendo el panorama de la criptoanálisis. Este artículo explora cómo LLMs avanzados pueden identificar vulnerabilidades matemáticas en algoritmos criptográficos que han eludido la detección humana durante años, planteando nuevas preguntas sobre el diseño, la validación y la resiliencia de los sistemas criptográficos en la era de la IA.

El problema fundamental que se aborda es la necesidad continua de "stress-testing" criptográfico. A medida que la computación cuántica se acerca, la búsqueda de esquemas post-cuánticos (PQC) es crítica. La capacidad de los LLMs para acelerar este proceso, descubriendo debilidades en candidatos como HAWK, es un avance significativo. De manera similar, la mejora de ataques contra variantes de rondas reducidas de ciphers establecidos como AES, aunque no afecta directamente a las versiones completas en producción, proporciona información valiosa sobre los límites de seguridad y las técnicas de ataque que podrían generalizarse en el futuro. Esto no es un reemplazo del criptoanálisis humano, sino una potente extensión de sus capacidades.

Arquitectura del Sistema

El sistema utilizado para estos descubrimientos se basa en un "scaffold" o arnés de agente que permite a Claude Mythos Preview operar en un entorno de "sandbox". Este entorno proporciona acceso a herramientas computacionales como Python y Sage, así como a una vasta biblioteca de trabajos criptográficos publicados. El LLM opera semi-autónomamente, o en algunos casos, de manera completamente autónoma, con intervención humana limitada a la dirección de proyecto o la validación de resultados.

Para el ataque a HAWK, el LLM realizó una extensa revisión de la literatura y llevó a cabo razonamiento matemático y experimentos computacionales. La clave del ataque fue el descubrimiento de una simetría no trivial (automorphism) en la red (lattice) utilizada por HAWK, lo que permitió un ataque de enumeración más rápido. Este descubrimiento fue facilitado por un flujo de trabajo multi-agente donde diferentes "workers" del LLM colaboraron, intercambiando ideas y validando hallazgos. El proceso incluyó una canalización de verificación de extremo a extremo implementada por el propio LLM para confirmar la corrección del ataque.

En el caso del ataque a AES de rondas reducidas, el LLM operó bajo un modelo de amenaza de "chosen plaintext". Mejoró un ataque "meet-in-the-middle" existente mediante el desarrollo de un algoritmo de "fingerprinting" más sofisticado, denominado "Möbius Bridge". Este algoritmo aumenta el número de búsquedas exitosas en una tabla precalculada, reduciendo el trabajo requerido al hacer que el "fingerprint" sea invariante a ciertas suposiciones. El LLM también descubrió técnicas de optimización adicionales para compensar el mayor costo computacional del "Möbius Bridge", resultando en una mejora significativa en la velocidad del ataque. La interacción con el LLM en este caso fue más de "prompt engineering" para superar la reticencia inicial del modelo a abordar el problema.

class CryptoAgent:
    def __init__(self, llm_model, sandbox_env):
        self.llm = llm_model
        self.env = sandbox_env

    def review_literature(self, topic):
        prompt = f"Review academic papers on {topic} and summarize key vulnerabilities."
        response = self.llm.generate(prompt)
        return response

    def propose_attack(self, target_cipher, context):
        prompt = f"Given {context}, propose a novel attack on {target_cipher}."
        response = self.llm.generate(prompt)
        return response

    def run_experiment(self, code_snippet):
        result = self.env.execute_code(code_snippet)
        return result

    def verify_attack(self, attack_details, test_vectors):
        verification_code = self.llm.generate_verification_code(attack_details, test_vectors)
        return self.run_experiment(verification_code)

# Example usage (conceptual)
# agent = CryptoAgent(ClaudeMythosPreview, SandboxEnvironment())
# literature_summary = agent.review_literature("HAWK digital signatures")
# attack_proposal = agent.propose_attack("HAWK", literature_summary)
# verification_result = agent.verify_attack(attack_proposal, some_test_data)

Fundamentos Teóricos

La criptografía, desde sus inicios, se ha construido sobre principios matemáticos y la teoría de la complejidad computacional. El concepto de "seguridad computacional" se remonta a los trabajos de Goldwasser y Micali (1982), que formalizaron la noción de seguridad probabilística y la distinguieron de la seguridad incondicional. Los ataques descritos aquí, aunque no rompen la seguridad incondicional, demuestran la capacidad de un agente computacional para encontrar atajos en la complejidad asumida de ciertos problemas.

El ataque a HAWK se basa en el "Lattice Isomorphism Problem", un problema de la teoría de retículos que es la base de la seguridad de muchos esquemas criptográficos post-cuánticos. La existencia de "automorphisms" no triviales en retículos ha sido estudiada en la literatura académica, y se ha demostrado que su descubrimiento eficiente puede comprometer la seguridad. El LLM, en esencia, automatiza la búsqueda de tales estructuras, conectando la teoría abstracta con la aplicación práctica de la criptoanálisis. El ataque "meet-in-the-middle" contra AES reducido es un patrón clásico de criptoanálisis, formalizado en trabajos como los de Diffie y Hellman (1977) para el intercambio de claves, y aplicado a ciphers de bloque para reducir la complejidad temporal a expensas de la espacialidad. La mejora del LLM en este ataque es una refinación algorítmica de una técnica bien establecida.