Claude findet Krypto-Schwachstellen, die Experten übersehen
Das KI-Unternehmen Anthropic hat neue Forschungsergebnisse vorgelegt, bei denen das noch nicht öffentlich verfügbare Modell Claude, konkret die Preview-Version Mythos, zuvor von Experten übersehene mathematische Schwachstellen in kryptographischen Algorithmen identifiziert hat. Die Erkenntnisse wurden in zwei Fachpublikationen veröffentlicht und verdeutlichen das wachsende Potenzial von Sprachmodellen für die Sicherheitsanalyse. Im ersten Paper analysierten die Anthropic-Forscher Zygimantas Straznickas und Stephen A. Weis den kryptographischen Prototypen HAWK, der als zukünftiger Standard für die Ära leistungsfähiger Quantencomputer vorgesehen ist. Trotz einer mehrjährigen manuellen Untersuchung durch Spezialisten galt das System als robust. Claude fand jedoch einen verborgenen mathematischen Shortcut, der die theoretische Knackbarkeit erheblich erhöht. Die Autoren betonen, dass die Entdeckungen zwar durch KI-Anreicherung vorangetrieben wurden, menschliche Wissenschaftler jedoch die essentielle Rolle bei der Steuerung, Strukturierung und Validierung der Ergebnisse innehatten. Im zweiten Paper untersuchten Milad Nasr und Nicholas Carlini stark verkürzte Versionen des aktuellen AES-Verschlüsselungsstandards, die regelmäßig als Testfeld für neue Angriffsvektoren dienen. Dabei entwickelte das Sprachmodell vollständig autonom den sogenannten Möbius-Bridge-Ansatz. Diese Methode eliminiert den bisher notwendigen trial-and-error-Prozess und beschleunigt die Analyse um das 200- bis 800-fache im Vergleich zu etablierten humanen Verfahren. Die Transparenz der Transformation ermöglicht zudem eine schnelle und zuverlässige Verifizierbarkeit der Ergebnisse. Wichtig ist die Klarstellung, dass die Funde keine akute Bedrohung für bestehende Verschlüsselungsstandards oder sensible Daten darstellen. Vielmehr demonstrieren die Arbeiten, wie KI-Systeme proaktiv bei der Identifikation versteckter mathematischer Fehler helfen können. Dieser Ansatz verschiebt den Fokus von der reaktiven Schadensabwehr hin zur präventiven Sicherheitsarchitektur. Durch die automatische Generierung neuer Analysemethoden können Forscher kryptographische Strukturen bereits vor der breiten Implementierung auf Inkompatibilitäten oder Schwachstellen überprüfen und die Cybersicherheit langfristig gegen quantencomputergestützte Angriffe sowie unentdeckte Lücken absichern. Die präsentierten Arbeiten markieren damit einen signifikanten Schritt hin zu einer institutionalisierten Human-AI-Kollaboration im Bereich der Kryptographie.
