Claude Mythos нашёл криптографическую уязвимость за 60 часов

Главный вывод: я воспринимаю эту историю как рассказ о затратах, концентрации и проверке людьми, а не как доказательство того, что ИИ способен самостоятельно взломать современную криптографию.

За 60 часов и при расходах в $100,000 Claude Mythos помог обнаружить ошибку генерации nonce, связанную с HAWK. Она могла позволить злоумышленнику использовать открытые подписи, чтобы попытаться восстановить закрытый ключ с помощью атаки на решётках. При этом статья подчёркивает важную оговорку: AES с сокращённым числом раундов — это не полноценный AES.

Если свести статью к нескольким строкам, получится следующее:

• Цель: HAWK и AES с сокращённым числом раундов
• Результат: подтверждённая проблема со смещением nonce в HAWK
• Риск: достаточное количество слабых nonce может превратить открытые подписи в путь к краже ключа
• Стоимость: $100,000 за один интенсивный рывок продолжительностью примерно в выходные
• Процесс: ИИ генерировал зацепки, а люди отбирали и проверяли их
• Урок: начинать с дешёвых решений, проверять результат на раннем этапе и подключать передовые модели ближе к концу процесса

Больше всего меня впечатляет разделение между поиском и доказательством. Судя по статье, модель помогла быстро перебрать код и идеи атак, а доля воспроизведения эксплойта с первой попытки составила 83.1%. Но сама статья недвусмысленно говорит: людям всё равно пришлось подтверждать, что было реальным.

Советы разработчикам и командам безопасности сформулированы прямо:

• сначала использовать более компактные модели
• устанавливать жёсткие лимиты бюджета
• проверять результат до увеличения расходов
• относиться к выводу модели как к зацепкам, а не как к окончательным находкам

Именно это я бы запомнил. Главный вывод не в том, что ИИ нашёл нечто новое. Сфокусированный процесс с проверкой людьми может превратить известный паттерн атаки в протестированную находку, если вы готовы потратить необходимые время и деньги.

Как ИИ находит уязвимости в криптографических библиотеках

2. Как Claude Mythos потратил время и деньги

Хронология 60-часового исследования

60-часовой спринт проходил в чёткой последовательности: формулировка атаки, анализ с помощью модели, уточнение и проверка на HAWK и AES с сокращённым числом раундов. Вначале команда выбрала конкретные цели атаки и определила критерии подтверждённой находки. Затем Claude Mythos перешёл к многократному поиску вариантов, сопоставляя известные паттерны уязвимостей с возможными ошибками в криптографическом коде без использования стандартных инструментов SAST ^[4].

В середине работы основное внимание уделялось тестированию потенциальных слабых мест и отсечению ложных срабатываний. Этот этап фильтрации выполняли люди. Claude Mythos воспроизводил эксплойты с первой попытки в 83.1% случаев, что сокращало число тупиков и напрасных усилий ^[1].

На последнем этапе команда сопоставила наиболее перспективные варианты с исходным кодом и криптографическими допущениями каждой цели. Эти проверки подготовили почву для описанных далее сценариев атак.

На что ушли $100,000

В $100,000 вошли многократные запуски моделей, оркестрация процесса и проверка людьми. Проще говоря, деньги не были потрачены на одну большую попытку. Они пошли на повторение цикла до тех пор, пока слабые зацепки не отсеялись, а сильные не выдержали проверку.

Более компактные модели с открытыми весами тоже могут помочь на этапе проверки. В некоторых случаях они способны восстановить сложные цепочки эксплойтов всего за $0.11 на миллион токенов ^[3].

Роль APIMart в мультимодельных процессах безопасности

APIMart может направлять генерацию гипотез, анализ и проверку через одну OpenAI-совместимую конечную точку. Это упрощает переход от поиска кандидатов к проверке без сложной передачи данных между разными инструментами.

3. Уязвимость на практике: что могли сделать злоумышленники

Сценарии атак, ставшие возможными благодаря находке

Самой убедительной зацепкой стала ошибка генерации nonce, превратившая открытые подписи в путь к восстановлению закрытого ключа. Claude Mythos обнаружил смещённую генерацию nonce в целевой реализации. Если nonce распределены неравномерно, злоумышленник может со временем собрать подписи и провести атаки Hidden Number Problem (HNP) на основе решёток, чтобы восстановить закрытый ключ ^[5].

Проще всего атаковать системы, которые публикуют множество подписей. Доля nonce за пределами допустимого диапазона около 6% может быть достаточной, чтобы выявить слабую генерацию nonce и оправдать попытку восстановления ключа по открытым подписям ^[5]. Получив закрытый ключ, злоумышленник сможет подделывать подписи и выдавать себя за владельца ключа ^[5]. Именно это делает атаку практичной: сами открытые подписи становятся исходным материалом.

Измеримый эффект в сравнении с прежними ориентирами атак

Основное изменение здесь носит операционный характер. Модель быстрее ручного анализа превратила известный класс атак в рабочий путь. Скорость важна, поскольку Claude Mythos воспроизводил эксплойты с первой попытки в 83.1% случаев ^[1].

4. Что это означает для разработчиков, команд безопасности и эксплуатации ИИ

Где ИИ наиболее полезен в криптографических исследованиях

ИИ не изобрёл здесь новый класс атак. Он ускорил рутинную работу: поиск вероятных кандидатов, проверку гипотез и применение известных паттернов атак к большой кодовой базе с высокими требованиями к безопасности.

На практике это различие важно. ИИ может сузить область поиска, но не способен решить, что считать реальной проблемой. Людям всё равно приходится читать код, проверять утверждение и сопоставлять его с криптографическим дизайном.

В июле 2026 года агент аудита ИИ zkao от zkSecurity подтвердил семь реальных ошибок в экспериментальной криптографической библиотеке CIRCL от Cloudflare, включая критическую потерю точности float64 в пороговом RSA и нарушение контроля доступа в шифровании на основе атрибутов. Позднее все они были исправлены в основном проекте ^[2]. Разделение ролей очевидно: ИИ помогает командам найти больше объектов для проверки, а люди определяют, какие из них действительно подтверждаются.

Как спланировать подобный аудит и не потратить бюджет впустую

Хороший процесс аудита довольно прост:

• Начните с более дешёвых моделей, чтобы найти нужные участки кода и отметить очевидных кандидатов
• Сопоставьте находки с исходным кодом и криптографическими допущениями
• Переходите к флагманской модели только после того, как кандидат выдержит проверку
• Установите лимиты бюджета до начала работы
• Добавьте раннюю контрольную точку, чтобы команда могла продолжить, изменить направление или остановиться до расходования денег на тупиковый вариант

Порядок важен. Модель с открытыми весами на 3.6 миллиарда параметров может обнаруживать сложные эксплойты всего за $0.11 на миллион токенов ^[3]. Поэтому дорогие вычисления должны применяться в конце конвейера, а не в начале.

Именно поэтому ИИ полезен в криптографических аудитах. Дело не только в скорости. Главный урок спринта Mythos — баланс между скоростью, проверкой и стоимостью: $100,000 и 60 часов дали подтверждённую людьми находку, потому что процесс соответствовал уровню строгости, необходимому для этой цели.

5. Заключение: стоимость и ценность криптоанализа с помощью ИИ

Mythos подтвердил ошибку генерации nonce в HAWK, задействовав субагентов LLM для параллельного сканирования файлов и непосредственного анализа исходного кода. Достоверность результату придала проверка людьми. Работа ИИ сократила время поиска и выявила потенциальную проблему, которую специалисты затем смогли подтвердить и измерить ^[4]. Это смещает акцент: главный вопрос связан не столько с новизной, сколько со стоимостью.

Следующий вопрос — эффективность: во сколько на самом деле обошёлся этот поиск? При таком масштабе сложно игнорировать давление бюджета, а ответ во многом зависит от охвата. Разумно использовать более компактные модели с открытыми весами для первого прохода, а флагманские оставить для этапов, требующих более глубоких рассуждений ^[3].

Для команд вывод практический, а не абстрактный. Ограничьте область задачи, проверяйте результат на раннем этапе и воспринимайте вывод ИИ как зацепки, а не окончательные ответы. Daniel Stenberg из Curl сформулировал это просто:

ИИ поддерживает проверку человеком, а не заменяет её

Этот принцип ясно проявился в одном из аудитов Curl. Mythos отметил пять проблем, но ручная проверка сократила список до одного CVE низкой серьёзности и одной ошибки ^[4].

Часто задаваемые вопросы

Может ли эта уязвимость раскрыть закрытый ключ в реальных системах?

Да. Если злоумышленник использует уязвимость, предоставляющую доступ на уровне ядра, он сможет получить полный контроль над системой. Это может раскрыть конфиденциальные данные, включая хранящиеся на таких машинах закрытые ключи.

Исследование показывает, что анализ с помощью ИИ способен находить и объединять сложные уязвимости. Проще говоря, злоумышленникам может стать легче связывать небольшие ошибки в гораздо более серьёзные атаки, что повышает риск массовых атак.

Почему аудит стоил около $100,000?

Цена примерно в $100,000 обусловлена интенсивным использованием специализированных вычислений, передовых инструментов и тестовой инфраструктуры, необходимых для глубокого анализа безопасности в течение 60 часов.

В неё также вошла техническая работа по выявлению, проверке и документированию критических ошибок в сложных криптографических системах с высокими рисками.

Что проверили люди, чего не мог сделать ИИ?

Люди проверяли находки ИИ, самостоятельно читая исходный код и вручную разбирая каждый случай, чтобы выявить ошибки.

Они обнаружили, что многие проблемы, которые ИИ считал «подтверждёнными», на самом деле были ложными срабатываниями или обычными багами, а не уязвимостями. Дополнительная проверка позволила удостовериться в точности находок высокой серьёзности до того, как их признали действительными.