Claude AI tạo bước ngoặt trong mật mã học: Tấn công thành công HAWK-256 và tối ưu hóa AES

Anthropic vừa công bố một cột mốc đáng chú ý trong lĩnh vực mật mã học khi mô hình Claude Mythos Preview của họ đã thực hiện thành công các nghiên cứu chuyên sâu về thuật toán. Cụ thể, AI này đã tìm ra phương pháp tấn công phục hồi khóa (key-recovery attack) đối với HAWK-256 và tối ưu hóa từ 200 đến 800 lần tốc độ tấn công vào thuật toán AES-128 (phiên bản rút gọn 7 vòng).

Đột phá trên thuật toán HAWK-256

HAWK hiện là một trong những ứng viên sáng giá trong quy trình tiêu chuẩn hóa chữ ký số hậu lượng tử của NIST. Anthropic cho biết, Claude Mythos đã khai thác một tính đối xứng chưa từng được biết đến trong cấu trúc mạng (lattice) của HAWK. Kết quả là một cuộc tấn công end-to-end có thể thực hiện trong khoảng 3 giờ 42 phút trên máy chủ 96 nhân.

Tuy nhiên, Anthropic khẳng định các kết quả này không gây rủi ro cho các hệ thống thực tế. Cuộc tấn công chỉ nhắm vào HAWK-256 (một tham số thử thách) và không ảnh hưởng đến các phiên bản bảo mật cao hơn như HAWK-512 hay HAWK-1024. Đây cũng không phải là một cuộc tấn công đa thức (polynomial-time break), do đó không làm sụp đổ hoàn toàn tính bảo mật của HAWK hay các hệ thống mật mã dựa trên mạng (lattice-based cryptography) nói chung.

Tối ưu hóa tấn công AES-128

Đối với AES-128, Claude Mythos đã phát triển một kỹ thuật gọi là “Möbius Bridge” để loại bỏ bước đoán 256 chiều trong các cuộc tấn công meet-in-the-middle truyền thống. Dù đạt được tốc độ nhanh hơn đáng kể trên phiên bản 7 vòng, cuộc tấn công này vẫn đòi hỏi một lượng lớn bản rõ (chosen plaintexts) không khả thi trong môi trường thực tế.

Vai trò của AI trong nghiên cứu mật mã

Đáng chú ý, Anthropic nhấn mạnh rằng Mythos Preview đã tự thực hiện phần lớn công việc nghiên cứu, trong khi con người đóng vai trò định hướng dự án, cung cấp tài nguyên tính toán và xác minh kết quả. Quá trình này tiêu tốn khoảng 100.000 USD chi phí API và hàng trăm giờ làm việc của các nhà nghiên cứu để đảm bảo tính chính xác của phương pháp.

Sự kiện này diễn ra ngay sau khi CryptanalysisBench được công bố, cho thấy khả năng của các mô hình ngôn ngữ lớn (LLM) trong việc giải quyết các bài toán mật mã học phức tạp đang ngày càng tiến bộ. Dù các kết quả hiện tại vẫn mang tính chất nghiên cứu học thuật và chưa đe dọa trực tiếp đến các tiêu chuẩn bảo mật hiện hành, chúng đánh dấu một bước tiến mới trong việc sử dụng AI để kiểm định và tìm kiếm lỗ hổng trong các thuật toán mã hóa.

Nguồn tham khảo: The Hacker News