LLM non rompono la crittografia simmetrica

Recenti studi hanno dimostrato che i grandi modelli linguistici (LLM) non sono in grado di rompere i sistemi di crittografia simmetrica, nonostante siano stati in grado di identificare errori nei proof di sicurezza di diversi paper presentati al convegno EUROCRYPT 2026. LLM come Claude di Anthropic hanno anche contribuito alla creazione di benchmark per l’analisi crittografica, come CryptanalysisBench, che include test su algoritmi come AES, ChaCha e BLAKE3. Nonostante i progressi nella ricerca crittografica, la struttura complessa e la mancanza di un framework unificato rendono difficile l’identificazione di nuove vulnerabilità.

Struttura e complessità della crittografia simmetrica

La crittografia simmetrica, come AES o BLAKE3, è progettata per essere complessa e difficile da analizzare, anche se le sue operazioni sono semplici e veloci. BLAKE3, ad esempio, è essenzialmente una sequenza lunga di operazioni come XOR, somme modulari e rotazioni di bit, senza un’architettura chiara o una struttura matematica riconoscibile. Questo design intenzionale rende difficile l’analisi crittografica, anche per i modelli linguistici. La mancanza di un framework unificato e la natura empirica dell’analisi crittografica, come la crittanalisi differenziale, limitano la capacità degli LLM di scoprire nuove vulnerabilità.

Limiti della crittanalisi e della ricerca

La crittanalisi, in particolare la crittanalisi differenziale, si basa su osservazioni statistiche e sperimenti, spesso senza una comprensione completa del motivo delle deviazioni. Gli LLM potrebbero identificare bias significativi, come quelli con probabilità di 2^-10, ma potrebbero non riuscire a misurare con sufficiente precisione bias più piccoli che richiederebbero un numero elevato di campioni. La ricerca crittografica ha già esplorato ampiamente queste aree, rendendo improbabile la scoperta di nuove classi di attacco. Inoltre, i sistemi crittografici simmetrici sono stati sottoposti a migliaia di ore di analisi, la maggior parte delle quali non ha portato a risultati significativi.

Nonostante i progressi, i ricercatori non hanno trovato attacchi più potenti contro AES o BLAKE3, né hanno disprove le congetture di sicurezza. L’analisi di Anthropic ha rivelato che, sebbene i modelli linguistici possano aiutare a trovare errori nei proof di sicurezza, non sono in grado di rompere i sistemi crittografici esistenti. La complessità e la robustezza empirica della crittografia simmetrica rendono gli LLM poco utili per scopi dirompenti.

Un futuro di ricerca e miglioramenti

Nonostante i limiti, i modelli linguistici potrebbero contribuire a migliorare la formalizzazione e l’abstrazione delle tecniche di crittanalisi, unendo l’ingegno umano e la potenza computazionale. La ricerca futura potrebbe concentrarsi su unificare i framework descrittivi e migliorare la formalizzazione delle tecniche di attacco. Tuttavia, la crittografia simmetrica rimane una delle parti più forti dei sistemi di sicurezza, e i token degli LLM sono meglio utilizzati per trovare errori in aree meno analizzate, come i candidati post-quantum. La crittografia simmetrica, con la sua struttura complessa e la mancanza di un framework unificato, rimane al di fuori della portata degli LLM, anche se questi ultimi hanno dimostrato di poter identificare errori nei proof di sicurezza. La robustezza empirica e la natura empirica della crittanalisi limitano la capacità degli LLM di scoprire nuove vulnerabilità. La ricerca continua a esplorare nuovi orizzonti, ma per ora, la crittografia simmetrica non sembra essere in pericolo.