11月22日,MiniMax宣布其研究团队利用最新内部模型对现代密码方案开展系统性自动化密码分析,在测试中发掘出多处此前未知的算法构造缺陷,并将多项原本仅停留在论文理论层面的攻击推进至秒级至分钟级的可执行破解。
据官方披露,相关进展主要涵盖三个方向。针对历届NIST国际密码标准化竞赛,该内部模型首次实际攻破了多个此前“尚无已知实际攻击”的候选算法;针对近年发表于国际密码学顶会、顶刊的论文及竞赛优胜方案,模型对多个历经同行评审的前沿方案实现了高效的密文伪造或密钥恢复,并刷新了新型分组密码的最高破解轮数纪录;在求解作为公钥密码体系基石的经典数学困难问题时,该模型展现出将“挖掘隐含代数结构”与“系统级工程优化”相结合的能力,在国际公开挑战赛中首次攻克数十个尚无公开解的高阶挑战实例,相比当前最优求解算法实现数百至数万倍的实测加速。
MiniMax特别说明,本次研究聚焦于学术前沿方案、历史竞赛候选设计与公开参数挑战,相关发现不影响现行主流密码标准(如日常使用的AES、RSA、SHA-256等)的安全性。这一边界划定意味着,研究成果指向的是密码学研究中理论假设与工程实现之间的空隙,而非对现有生产环境加密体系的直接威胁。
在披露流程上,MiniMax表示遵循负责任的科学研究与安全披露原则,已提前将分析结果同步给相关方案的作者,并将实验中由内部模型生成的推理轨迹加以整理与验证,以技术报告和代码的形式在GitHub公开。这一做法将大模型在密码分析中的推理过程置于可复核的框架之下,也为后续研究提供了可追溯的实验依据。
从行业视角看,此次进展展示了大模型在高度形式化的数学与安全研究场景中的应用潜力:自动化分析能够压缩人工审阅理论方案的时间成本,并覆盖传统方法难以穷举的构造空间。随着模型推理能力与工程优化手段的结合加深,AI在密码学方案评估、协议审计等基础安全研究环节的角色或将进一步凸显,而如何在提升分析效率与保障披露安全之间建立规范流程,也将成为相关机构需要持续面对的课题。
该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。