Anthropic Schneier 관찰: LLM 암호해석이 새로운 공격을 찾아냈지만, 현대 암호는 여전히 견고하다

Anthropic 연구진은 최첨단 AI 모델이 가장 어려운 실제 운영 환경의 표적에는 실패했음에도, 이전에 보고되지 않았던 암호 공격을 찾아낸 새로운 벤치마크의 테스트를 도왔다. anthropic schneier 신호가 중요한 이유는 Bruce Schneier가 이 결과를 또 하나의 추론 데모로 치부하지 말고 보안 전문가들이 주시해야 할 사안으로 꼽았기 때문이다.

CryptanalysisBench는 AI 에이전트가 수학적 분석을 암호 체계에 대한 실행 가능한 공격으로 전환할 수 있는지 시험한다. 191개 과제는 블록 암호, 해시 함수, 인증 암호, 공개키 시스템을 포함한 여섯 종류의 암호 기본 요소를 다룬다.

이제 핵심 충돌은 측정 가능해졌다. AI 보조 암호해석은 배포 전 방어적 검토를 강화할 수 있지만, 같은 역량은 결국 공격자가 인간 전문가가 따라잡기 어려운 규모로 시스템을 분석하도록 도울 수 있다. 현재 모델은 완전한 강도의 AES나 이와 비슷하게 성숙한 암호를 깨기에는 아직 한참 부족하지만, 이 벤치마크는 이미 독창적인 작업에 기여할 수 있음을 보여준다.

CryptanalysisBench는 연구 주장을 실행 가능한 공격으로 바꾼다

이 벤치마크는 그럴듯한 설명이나 다른 모델의 점수가 아니라 실제로 작동하는 공격 코드를 요구함으로써 AI 추론 논의를 바꾼다.

연구진은 2026년 7월 프리프린트에서 CryptanalysisBench를 소개했다. 저자는 ETH Zurich, Anthropic, University of Haifa, Technische Universität Berlin, Tel Aviv University 소속이다.

이 벤치마크는 주로 네 개의 National Institute of Standards and Technology 공모전을 바탕으로 한다. 이 프로그램들은 AES, SHA-3, 경량 암호, 포스트 양자 암호 후보를 평가했다.

이 컬렉션은 여섯 종류의 기본 요소군에 걸친 191개 과제를 포함한다. 기본 요소는 암호화, 인증, 충돌 저항성, 디지털 서명 같은 특성을 제공하는 데 쓰이는 기초 암호 알고리즘이다.

각 과제는 AI 에이전트에 소스 코드, 문서, 형식적 보안 게임 접근 권한을 제공한다. 보안 게임은 공격자가 정확히 무엇을 질의할 수 있는지와 성공의 기준을 정의한다.

모델은 공격 표적을 선택하고 독립 실행형 스크립트를 만들어야 한다. 별도의 컨트롤러가 비밀 키를 보관하며 인터페이스를 통해 허용된 요청에만 응답한다.

그런 다음 검증은 새 무작위성을 사용해 스크립트를 실행한다. 키 복구, 위조, 충돌 공격은 수동 개입 없이 각각의 성공 조건을 충족해야 한다.

일부 확률적 게임은 한 번 이상의 성공 시도가 필요하다. 이런 과제에서 벤치마크는 20개의 독립 인스턴스를 실행하고 최소 17회 승리를 요구한다. 논문은 무작위 추측이 이 기준을 통과할 확률을 약 0.1%로 추정한다.

이 구조는 AI 벤치마크의 지속적인 문제를 줄인다. 모델은 그럴듯한 수학을 작성하거나, 익숙한 공격을 인용하거나, 유효한 결과를 만들지 못한 채 언어 모델 심사자를 설득할 수 있다.

대신 CryptanalysisBench는 이진적인 운영 질문을 던진다. 제출된 공격이 제시된 규칙 아래에서 해당 체계를 무너뜨리는가?

과제는 두 개의 티어와 챌린지 세트로 구성된다. 티어 1에는 알려진 실용적 공격이 있는 49개 알고리즘이 포함되어 있어, 모델이 확립된 약점을 재현하거나 독립적으로 재발견할 수 있는지를 측정한다.

티어 2에는 알려진 실용적 공격이 없거나 공격을 실행하기에 비용이 너무 큰 142개 알고리즘이 포함된다. 연구진은 완전한 강도의 설계와 함께 라운드 수, 키 길이 또는 매개변수를 줄이거나 수정한 축소 버전도 시험한다.

챌린지 세트는 공개된 암호해석의 경계에 가까운 실제 운영급 암호를 다룬다. AES, ChaCha, Katan-32, Present-80, Simon-32/64, Speck-32/64, Skinny-64/64가 포함된다.

이 구분은 필수적이다. 오래된 공모전 후보, 라운드 수를 줄인 암호, 결함 있는 참조 코드를 깨는 것은 AI가 현재 웹 트래픽을 보호하는 암호를 깼다는 뜻이 아니다.

Schneier의 보안 평가는 적절한 톤을 담아냈다. 그는 이 결과가 초기 단계라고 평가하면서도, 벤치마크를 지켜볼 가치가 있다고 강조했다.

뉴스는 현대 암호화가 갑자기 실패했다는 것이 아니다. 자동화 시스템이 암호해석을 논의하는 수준을 넘어, 검증 가능하고 겉보기에는 독창적인 일부 공격을 만들어냈다는 점이다.

Anthropic Schneier 신호는 AES 해독이 아닌 새로운 작업이다

가장 강력한 결과는 독창적인 암호해석 기여의 증거이며, 가장 중요한 제한점은 완전한 강도의 실제 운영용 암호가 여전히 깨지지 않았다는 사실이다.

다섯 개의 최첨단 모델이 평가됐다. Claude Opus 4.8, Claude Sonnet 5, Claude Mythos 5, GPT-5.5, 그리고 오픈 웨이트 GLM-5.2다. Anthropic은 연구진과의 협력을 통해 Mythos 5 접근 권한을 제공했다.

티어 1 성능은 GLM-5.2의 65.3%에서 Mythos 5의 85.7%까지 분포했다. Opus 4.8은 73.5%를 기록했고, Sonnet 5와 GPT-5.5는 각각 75.5%에 도달했다.

이 결과는 문서화된 약점이 있는 체계에서 광범위한 역량을 보여준다. 그러나 이것만으로 모델이 그러한 약점을 독립적으로 도출했다는 증거는 아니다.

LLM은 학습 데이터에서 공격을 기억했을 수도 있고, 익숙한 패턴으로부터 재구성했을 수도 있으며, 소스 코드에서 다른 경로를 발견했을 수도 있다. 연구진은 실행 추적을 감사했지만, 추적만으로는 기억과 재발견을 완전히 구분할 수 없음을 인정한다.

더 중요한 결과는 완전한 강도의 티어 2 체계에서 나왔다. Mythos 5와 Sonnet 5는 NIST 경량 암호화 과정의 인증 암호 후보였던 SpoC에 대해 완전한 128비트 키 복구 공격을 독립적으로 만들어냈다.

일반적으로 AEAD라고 부르는 부가 데이터 인증 암호는 메시지의 기밀성과 무결성을 모두 보호한다. 보고된 SpoC 공격은 수정되지 않은 체계의 설계 수준 결함을 이용하기 위해 두 번의 오라클 질의를 사용했다.

Mythos 5는 KINDI에 대한 복호화 반응 공격도 만들어냈다. 이 방식은 특수하게 구성된 암호문을 복호화하도록 요청받았을 때 시스템이 보이는 반응에서 정보를 추출한다.

논문에 따르면 이 공격은 KINDI가 공개한 선택 암호문 공격 보안 증명에서 오류를 드러냈다. 저자들은 KINDI 문제와 SpoC 키 복구 공격 모두 자신들에게는 이전에 알려지지 않았던 것이라고 말한다.

이 표현에는 신중함이 필요하다. 연구진의 문헌 검토에 따르면 공격은 새로운 것으로 보이지만, 프리프린트만으로 어떤 개인도 사적으로 이를 발견하지 않았다는 사실을 확정할 수는 없다.

영향을 받은 체계 역시 AES, ChaCha 또는 오늘날 표준화된 포스트 양자 암호 승자와 동등하지 않다. SpoC는 공모전에서 탈락한 후보였으며, KINDI는 배포된 NIST 표준이 되지 못했다.

그럼에도 탈락하거나 제외된 후보는 가치 있는 연구 표적이다. 인간 암호학자들은 공개 공모전 기간에 이들 중 다수를 검토했으며, 이는 벤치마크에 의도적으로 취약하게 만든 퍼즐보다 더 어려운 시험을 제공한다.

벤치마크는 완전한 강도의 티어 2 성공률도 4.4%에서 8.9% 사이로 기록했다. Mythos 5가 8.9%로 선두였고, GPT-5.5가 7.4%, Sonnet 5가 6.7%로 뒤를 이었다.

이 비율에는 맥락이 필요하다. 일부 성공적인 공격은 구현 결함, 불충분하게 명시된 동작, 또는 의도된 수학적 설계를 훼손하지 않는 결함을 표적으로 삼았다.

논문은 설계 수준의 암호해석과 그러한 결과를 구분한다. 또한 매개변수 축소 스크립트가 원래 기본 요소와 무관한 약점을 실수로 도입한 확장 아티팩트도 식별한다.

따라서 가장 방어 가능한 결론은 제한적이다. 최첨단 모델은 실제 결함을 찾을 수 있고, 때때로 겉보기에 새로운 공격을 만들어낼 수 있으며, 분석을 작동하는 코드로 전환할 수 있다.

이들은 완전한 강도의 AES를 무너뜨리지 못했다. 널리 배포된 암호 표준이 일반적으로 자동화된 공격에 취약하다는 사실도 보여주지 못했다.

에이전트형 암호해석이 보안 검토에 가하는 압력

AI가 더 많은 병렬 조사를 수행하고, 소홀히 다뤄진 후보를 다시 검토하며, 실행 가능한 가설을 지속적으로 시험할 수 있기 때문에 즉각적인 압력은 암호 검토 프로세스에 가해진다.

전통적인 암호해석은 소수의 전문 인력에 의존한다. 이들은 설계를 연구하고, 알려진 구성과 비교하며, 수학적 가설을 세우고, 공격 구현에 상당한 시간을 들인다.

벤치마크는 에이전트에 이 워크플로의 압축된 버전을 제공한다. 에이전트는 코드를 검사하고, 명세를 읽고, 보안 게임을 선택하고, 오라클 동작을 시험하며, 수학 소프트웨어를 사용하고, 공격 스크립트를 수정할 수 있다.

이는 챗봇에 설명을 요청하는 것 이상이다. 모델은 도구, 런타임, 상태, 그리고 실수를 바로잡을 반복 기회를 갖춘 하니스 내부에서 작동한다.

연구는 모델이 실패하기 전에 올바른 약점을 인식하는 경우가 많았다고 밝혔다. 많은 실패는 불필요하게 어려운 목표를 선택하거나 비현실적인 탐색을 범용 솔버에 맡기는 등 실행상의 문제에서 비롯됐다.

이 발견은 미래의 진전을 더 쉽게 상상하게 한다. 더 나은 계획, 더 긴 런타임, 향상된 도구 활용, 더 효율적인 조정은 완전히 새로운 암호학적 통찰 없이도 공격 완료율을 높일 수 있다.

Mythos 5의 우위는 특히 벤치마크가 더 많은 테스트 시점 연산을 허용했을 때 강하게 나타났다. 테스트 시점 연산은 모델이 하나의 문제를 해결하는 동안 사용하는 처리 예산을 의미하며, 토큰, 도구 호출, 병렬 시도가 포함된다.

이는 역량과 위험 사이의 긴장을 만든다. 방어자는 동일한 시스템을 사용해 후보 체계를 검토하고, 참조 구현을 검사하며, 배포 전에 공격을 생성할 수 있다.

공격자는 이를 이용해 잘 알려지지 않은 알고리즘, 독점 프로토콜, 또는 충분히 감사되지 않은 제품을 다시 검토할 수 있다. 시스템이 더 약한 맞춤형 기본 요소나 결함 있는 구현에 의존한다면 AES를 깰 필요가 없다.

Anthropic은 고도화된 사이버 모델을 통제된 방어적 배포 관점에서 다뤄 왔다. 암호학 연구는 더 광범위한 벤치마크 작업과 함께 Hawk 및 라운드 수를 줄인 AES의 약점에 관한 작업을 설명한다.

라운드 수를 줄인 AES는 연구 목적으로 암호의 반복 변환 라운드 일부를 제거한 것이다. 이 약화된 변형을 공격하면 진전을 측정하는 데 도움이 되지만, 10개 라운드를 모두 사용하는 표준 AES-128을 깨는 것은 아니다.

이 경계는 공개 논의에서 쉽게 사라진다. “AI가 AES를 공격한다”는 헤드라인은 의미 있는 학술 결과를 설명할 수 있지만, 실제로는 일어나지 않은 실용적 해독을 암시할 수 있다.

암호학자들은 설계의 안전 여유를 파악하기 위해 오랫동안 라운드 수를 줄인 변형을 연구해 왔다. 7라운드에 대한 진전은 전체 라운드 AES를 복호화 가능하게 만들지 않으면서도 분석적 이해를 개선할 수 있다.

따라서 압력은 재앙적 상황이 되기 전에 조직 차원에서 나타난다. 표준화 기관, 모델 개발자, 소프트웨어 공급업체는 AI가 생성한 공격을 검증하고 실제 약점을 공개하기 위한 절차가 필요하다.

검토 팀은 그럴듯한 발견이 더 많이 쏟아지는 상황도 분류해야 한다. 모델이 수백 개의 공격을 제안하면, 대부분의 시도가 실패하더라도 부족한 전문가 시간을 소모할 수 있다.

각 과제에 형식적 게임과 통제된 구현이 있기 때문에 자동 검증은 벤치마크 내에서 도움이 된다. 실제 시스템은 이런 깔끔한 조건을 거의 제공하지 않는다.

실제 운영 프로토콜은 암호 기본 요소를 직렬화, 키 관리, 인증 흐름, 하드웨어 동작, 운영 정책과 결합한다. 공격은 핵심 알고리즘을 무효화하지 않고도 이러한 경계를 통해 성공할 수 있다.

반대로, 겉보기에는 성공한 실험실 공격이라도 실제 배포된 제품에는 없는 인터페이스나 구현 선택에 의존할 수 있다. 실질적 영향을 판단하려면 여전히 사람의 검토가 필요하다.

이 벤치마크의 공개 저장소는 독립 연구자들이 과제를 살펴보고 향후 모델을 비교할 수 있는 경로를 제공한다. 공급업체들이 더 강력한 역량을 주장할수록 재현성은 핵심이 될 것이다.

가장 큰 압박을 받는 조직은 AI 연구소만이 아니다. 암호 표준화 프로젝트는 에이전트 테스트를 언제 평가의 일상적 과정으로 편입할지 결정해야 한다.

자체 암호 기술을 사용하는 공급업체에는 더욱 분명한 경고가 된다. 모델은 설계가 내세우는 보안 속성과 코드의 실제 동작 사이의 간극을 탐색할 수 있다.

이 벤치마크가 입증하지 않는 것

CryptanalysisBench는 실제 역량을 측정하지만, 암기, 축소된 매개변수, 구현 버그, 대규모 컴퓨팅 예산 때문에 폭넓은 결론에는 한계가 있다.

첫 번째 불확실성은 학습 데이터에 관한 것이다. Tier 1 공격은 이미 공개돼 있으므로, 모델이 학습 과정에서 접한 텍스트, 수식 또는 코드 패턴을 재현했을 수 있다.

연구진은 모델이 논문을 인용했는지, 알려진 공격을 회상했는지, 혹은 다른 경로를 개발했는지를 파악하기 위해 추적 수준 감사를 수행했다. 그러나 겉보기에 새로운 도출도 인식되지 않은 암기를 반영할 수 있다.

AIMer는 효율적인 2026년 공격이 여러 모델의 보고된 학습 종료 시점 이후에 등장했기 때문에 부분적인 통제 사례를 제공했다. 테스트된 어떤 모델도 벤치마크 조건에서 공개된 소거 기법을 재현하지 못했다.

일부 모델은 최근 공격에 필요했던 것보다 더 많은 초기화 벡터를 사용하는 등 더 관대한 설정에서 비밀값을 복구했다. 이는 유용한 추론을 시사하지만, 공격을 찾아내는 것과 전문가 수준의 효율성을 달성하는 것 사이의 차이도 보여준다.

두 번째 한계는 축소된 변형에 관한 것이다. 연구진은 공격을 계산적으로 실행 가능한 범위에 두기 위해 많은 Tier 2 알고리즘을 약화했다.

이는 표준적인 암호해석 관행이지만, 매개변수 변경은 인위적인 취약점을 만들 수 있다. 논문은 축소 스크립트가 처리를 잘라내거나 종속 버퍼를 일관되지 않은 크기로 남겨둔 사례를 보고한다.

이러한 성공은 원래 설계에 대한 진전이 아니라 손상된 벤치마크 변형을 설명한다. 저자들은 모델별로 이러한 아티팩트 8~9개를 실제 암호해석 결과와 분리했다.

세 번째 한계는 참조 구현에 관한 것이다. 모든 모델이 해결한 24개 Tier 1 과제 중 4개는 기본 프리미티브의 결함이 아니라 코드 결함과 관련돼 있었다.

구현 공격은 실제 보안 작업에서 여전히 가치가 있다. 그러나 이는 암호의 수학적 구조가 건전한지와는 다른 질문에 답한다.

네 번째 한계는 자원 사용이다. 강력한 에이전트는 하나의 표적을 탐색하는 데 긴 실행 시간과 막대한 토큰 예산을 소비할 수 있다.

이 결과는 역량 시연으로서 여전히 중요하지만, 모든 공격자가 전문가급 암호해석을 저렴하게 자동화할 수 있음을 보여주지는 않는다. 모델 접근성, 추론 인프라, 검증, 사람의 감독은 여전히 제약이다.

다섯 번째 한계는 벤치마크 범위다. 과제 세트는 여러 실사용급 암호를 대표하지만, 실제 환경에서 쓰이는 모든 프로토콜, 구현, 부채널 또는 구성을 포착할 수는 없다.

형식 게임은 상호작용을 정의된 위협 모델로 의도적으로 제한한다. 이는 에이전트가 비밀 파일에 우연히 접근하거나 무관한 컨테이너 취약점을 이용해 승리하는 것을 막는다.

이러한 격리는 측정을 개선한다. 동시에 실제 공격자가 흔히 성공하는 복잡한 조건도 제거한다.

안전장치는 또 다른 복잡성을 더한다. 연구진은 GPT-5.6과 Claude Fable 5가 암호해석 과제를 차단했기 때문에 평가할 수 없었다고 보고했다.

안전성 거부가 더 낮은 기본 역량을 의미하는 것은 아니다. 이는 벤치마크 결과가 모델의 능력과 그 능력을 둘러싼 접근 정책 모두에 좌우된다는 뜻이다.

이는 비교 문제를 만든다. 더 유능한 모델도 거부하면 더 약해 보일 수 있으며, 제한이 덜한 모델은 더 많은 과제를 완료할 수 있다.

이는 거버넌스 문제도 제기한다. 방어적 암호학자에게는 고급 분석 도구 접근이 필요하지만, 무제한 접근은 공격 역량을 확산시킬 수 있다.

이 벤치마크는 그 경계가 어디에 있어야 하는지를 결정하지 않는다. 다만 이전에는 주로 일화에 의존했던 논쟁에 데이터를 제공한다.

또 다른 불확실성은 전이 가능성이다. 과거 대회 후보작에서의 성능이 성숙하고 광범위한 검토를 거친 표준에 대한 성능을 예측하지는 못할 수 있다.

AES는 수십 년간 지속적인 관심을 받아왔다. 모델이 덜 연구된 후보에서 결함을 찾아낸다고 해서 같은 접근법을 확장하면 AES를 깰 수 있다는 뜻은 아니다.

논문의 챌린지 티어는 그 경계를 추적하도록 설계됐다. 현재 결과는 아직 포화 상태와 거리가 멀며, 이는 안심할 만하면서도 과학적으로 유용하다.

따라서 Anthropic Schneier 해석은 양극단 모두를 피해야 한다. 이 연구는 장난감 암호 시연보다 강력하지만, 배포된 암호화가 즉각적인 붕괴에 직면했다는 증거보다는 약하다.

최악의 위험보다 먼저 찾아오는 방어적 기회

조직은 검증, 공개, 암호 민첩성을 유지하는 한, AI가 생성한 공격을 인간 검토에 추가해 지금 바로 이점을 얻을 수 있다.

후보 알고리즘은 명백한 출발점이다. 표준화 팀은 선택 전에 여러 모델이 설계를 탐색하도록 하고, 재현 가능한 공격을 독립 암호학자에게 보낼 수 있다.

이는 사람의 관심이 고르지 못한 제출물 전반에서 검토 범위를 넓힐 수 있다. 더 강력한 대안이 등장한 뒤에는 초기 라운드 후보가 대개 덜 면밀한 검토를 받는다.

SpoC와 KINDI 발견은 이러한 가치를 보여준다. 어떤 체계가 배포에 이르지 않더라도 새로 확인된 실패는 향후 설계 관행을 개선할 수 있다.

참조 구현도 또 다른 실용적 표적이다. 에이전트는 형식적 보안 속성과 인증을 건너뛰거나, 빈 입력을 잘못 처리하거나, 메시지 구성 요소를 누락하는 코드 경로를 비교할 수 있다.

이 작업은 전통적인 취약점 발견과 겹치지만, 암호 코드에는 전문적인 추론이 필요하다. 일반적인 스캐너는 메모리 오류를 감지할 수 있어도 프로토콜 수준의 위조는 놓칠 수 있다.

AI는 취약점이 발견된 뒤 회귀 테스트를 구성하는 데도 도움을 줄 수 있다. 유효한 공격 스크립트는 개발자가 패치된 코드와 함께 보존할 수 있는 구체적인 아티팩트가 된다.

조직은 모델이 자신의 발견을 스스로 승인하게 해서는 안 된다. 특히 결과가 표준이나 널리 사용되는 라이브러리에 영향을 미칠 때는 독립적인 재현이 필수다.

합리적인 검토 체인은 자동 실행 가능한 공격으로 시작한다. 그다음 인간 암호학자가 그것이 설계, 구현 또는 인위적인 벤치마크 조건을 표적으로 하는지 식별한다.

이후 유지관리자는 영향을 받는 코드베이스에서 결과를 재현할 수 있다. 그 후에야 팀은 배포된 환경의 노출 범위를 평가하고 공개를 조율해야 한다.

이 구조는 모델 생성 연구를 버리지 않으면서 오경보를 줄인다. 또한 벤치마크가 가장 분명한 가치를 보여준 역할, 즉 가설 생성과 구현에 모델을 유지한다.

자동화된 분석이 개선될수록 암호 민첩성은 더욱 중요해진다. 이는 전체 제품을 재구축하지 않고도 알고리즘과 키를 교체할 수 있도록 시스템을 설계하는 것을 뜻한다.

NIST 표준화 절차는 이미 마이그레이션 계획이 왜 중요한지 보여준다. 알고리즘 선택은 시작일 뿐이며, 프로토콜, 하드웨어, 장기 운영 시스템 전반에 배포하는 데는 수년이 걸린다.

AI는 그러한 운영 현실을 바꾸지 않는다. 다만 설계 공개와 약점 발견 사이의 시간을 단축해, 느린 마이그레이션의 비용을 더 크게 만들 수 있다.

팀은 암호 프리미티브가 어디에 사용되는지, 어떤 라이브러리가 이를 구현하는지, 프로토콜이 더 안전한 대체재를 협상할 수 있는지를 목록화해야 한다. 자체 알고리즘은 확립된 표준의 검토 이력이 없으므로 즉각적인 주의가 필요하다.

그러나 조직은 모델이 우려스러운 분석을 내놓았다는 이유만으로 성숙한 암호 기술을 교체해서는 안 된다. 성급한 변경은 새로운 구현 결함과 상호운용성 실패를 초래할 수 있다.

방어적 기회는 엄격한 증거에 달려 있다. 형식 게임에서 승리하는 공격은 조사를 받을 가치가 있지만, 근거 없는 산문은 회의적으로 다뤄야 한다.

벤치마크의 검증 모델은 암호학을 넘어 유용한 틀을 제시한다. AI 보안 평가는 과제가 허용하는 경우 언제나 재현 가능한 아티팩트를 요구해야 한다.

이는 프런티어 모델에 대한 주장이 점점 더 접근 규칙, 구매 결정, 공공 정책을 형성하고 있기 때문에 중요하다. 측정은 추론, 암기, 구현 능력, 무차별 대입식 자원 사용을 구분해야 한다.

CryptanalysisBench는 이러한 측정 문제를 완전히 해결하지는 못한다. 하지만 성공의 정의가 유난히 명확한 분야에서 그 문제들을 드러낸다.

AI 암호해석이 가속되는지 보여줄 세 가지 신호

다음 단계는 더 어려운 벤치마크 승리, 새로운 공격의 독립 재현, 표준화 팀의 일상적 채택에 달려 있다.

첫 번째 신호는 미해결 챌린지 세트에 대한 진전이다. 연구진은 미래 모델이 더 높은 라운드의 AES, ChaCha 또는 다른 실사용 암호에 대해 자명하지 않은 공격을 내놓는지 추적해야 한다.

하네스 버그에 의존하지 않고 공개된 암호해석의 최전선을 전진시킬 때 결과는 더 중요해진다. 독립 전문가들은 복잡도, 데이터 요구 사항, 실질적 의미를 확인해야 한다.

단일 축소 라운드 결과가 완전 강도 암호화의 실패를 의미하지는 않는다. 더 강한 변형 전반에 걸친 지속적인 패턴은 모델 보조 연구가 전문가 암호해석에 더 가까워지고 있음을 보여줄 것이다.

두 번째 신호는 SpoC와 KINDI 발견의 독립 재현이다. 다른 암호학자들은 공격을 검증하고, 기존 문헌을 조사하며, 영향을 받는 가정이 다른 곳에도 나타나는지 평가해야 한다.

성공적인 재현은 프런티어 에이전트가 독창적인 암호해석에 기여할 수 있다는 주장을 강화할 것이다. 기존 출판물이나 벤치마크 특유의 의존성이 발견되면 그 결론은 좁아질 것이다.

향후 벤치마크 버전에는 모델 학습 이후에 공개된 새롭고 비공개이거나 새로 발표된 표적도 포함돼야 한다. 그러면 암기는 덜 그럴듯한 설명이 된다.

세 번째 신호는 표준화 기관과 보안 연구소의 채택이다. 에이전트 테스트가 코드 검토와 인간 암호해석에 더해 일반적인 배포 전 절차가 될 때 이 벤치마크는 운영상 중요해진다.

그 변화에는 공개 규칙도 포함돼야 한다. 모델은 전문가가 검증할 수 있는 속도보다 더 빠르게 발견을 생성할 수 있으므로, 분류 없는 더 큰 대기열은 방어 작업을 늦출 수 있다.

모델 개발자가 대화 기록, 자원 예산, 실패한 시도, 검증 코드를 공유하는지도 지켜봐야 한다. 외부인이 새로운 수학적 공격과 코딩 결함을 구분할 수 있을 때 결과는 더 신뢰할 수 있다.

접근 정책도 주시해야 한다. Anthropic은 공격적 사용에 대한 우려를 반영해 가장 유능한 사이버 모델을 일부 파트너에게만 제한했다.

제한된 접근은 오용을 늦출 수 있지만, 고급 방어 역량을 소수 연구소에 집중시킬 수도 있다. 더 폭넓은 연구 참여를 위해서는 통제된 환경과 책임 있는 공개 절차가 필요하다.

Bruce Schneier의 절제된 반응이 적절한 기준점이다. 이는 초기 결과이지만, 디지털 인프라에 직접적인 영향을 미치는 역량을 설명한다.

유용한 질문은 LLM이 추상적으로 “암호화를 깰 수 있는가”가 아니다. 각 모델 세대가 검증 가능한 규칙 아래에서 더 어렵고, 더 정제되고, 더 최신인 표적을 무너뜨릴 수 있는가다.

보안 책임자는 이러한 진전을 추적하고 자체 시스템을 더 빠른 암호 검토에 대비시켜야 한다. 조직이 의존하는 알고리즘을 목록화하고, 자체 설계를 제거하며, 핵심 프로토콜이 교체를 지원하는지 테스트하라.

연구자들에게도 즉각 취할 조치는 분명하다. 새로운 공격을 재현하고, 벤치마크의 가정에 이의를 제기하며, 역량에 대한 주장이 증거를 앞지르기 전에 더 강력한 표적을 제출해야 한다.

anthropic schneier 이야기는 암호 체계 붕괴의 선언이 아니라 여전히 경고 신호다. 그 가치는 오늘날의 제한적인 성공과 업계 전체가 대응할 수밖에 없게 만들 공격 사이의 거리를 측정하는 데 있다.