論文の概要: From Regression to Prior-Aware Inference: Solving the ILWE Family in Randomness Leakage Attacks against ML-DSA

• arxiv url: http://arxiv.org/abs/2607.05921v2
• Date: Mon, 13 Jul 2026 16:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.26179
• Title: From Regression to Prior-Aware Inference: Solving the ILWE Family in Randomness Leakage Attacks against ML-DSA
• Title（参考訳）: 回帰から事前認識推論:ML-DSAに対するランダムリーク攻撃におけるILWEファミリーの解決
• Authors: Peiheng Zhang, Yuejun Liu, Wei Cheng, Muye Li, Honglin Shao, Yongbin Zhou,
• Abstract要約: ランダムな漏洩攻撃は、2段階の鍵回収手順として定式化することができる。 本研究は、リークから派生したILWEファミリーインスタンス上で、異なるリカバリ解決器を評価する統一的なフレームワークを提案する。 実験の結果,解法は秘密鍵回収効率に大きな影響を及ぼすことがわかった。
• 参考スコア（独自算出の注目度）: 11.81046613710983
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: ML-DSA is a representative lattice-based signature scheme standardized by NIST. It relies on signing randomness and rejection sampling to ensure that released signatures are statistically independent of the secret key. Practical implementations, however, may leak partial information about this randomness, and such leakage can transform public signatures into ILWE-type problems, resulting in secret key disclosure risks. Such randomness leakage attack can be formulated as a two-stage key-recovery procedure, in which leaked partial information and public signatures are first transformed into an ILWE-family instance, and then a recovery solver is applied to recover the secret key. Existing work has mainly focused on the first stage by constructing such instances under different leakage models. By contrast, the role of solver in the subsequent instance-solving stage remains under-explored, and existing attacks often rely on ad-hoc model-specific solvers. To address this gap, we propose a unified framework to systematically evaluate different recovery solvers on leakage-derived ILWE-family instances. The framework covers three ILWE instances, including the ordinary ILWE, Fiat-Shamir ILWE (FS-ILWE) and Concealed ILWE (CILWE) under different scenarios. Within our framework, we explore three classes of solvers. Our experiments show that the solver has a significant impact on the secret-key recovery efficiency. In particular, on FS-ILWE, prior-aware discrete-inference reduces the number of informative relations by one to two orders of magnitude compared to the baselines: Compared with OLS, BP constitutes a reduction by a factor of 15.4x-64.9x in noise-free settings, and by a factor of 10.5x-73.9x in noisy settings. Overall, this work provides a systematic evaluation on different solvers in randomness leakage attacks, and presents new benchmarks for future analysis on ML-DSA.
• Abstract（参考訳）: ML-DSA(ML-DSA)は、NISTによって標準化された格子ベースの代表型シグネチャスキームである。 これは、放出された署名が秘密鍵から統計的に独立していることを保証するために、ランダム性と拒絶サンプリングに頼っている。 しかし、実際の実装は、このランダム性に関する部分的な情報を漏らす可能性があり、そのような漏洩は、公開署名をILWE型問題に変換し、秘密鍵開示のリスクをもたらす。 このようなランダムな漏洩攻撃は、2段階の鍵回収手順として定式化することができ、漏洩した部分情報と公開署名がまずILWE−ファミリーインスタンスに変換され、その後、回復解決器を適用して秘密鍵を回収する。 既存の作業は主に、異なるリークモデルの下でそのようなインスタンスを構築することに焦点を当てている。 対照的に、その後のインスタンス解決段階での解決者の役割は未解明のままであり、既存の攻撃はしばしばアドホックなモデル固有の解決者に依存している。 このギャップに対処するために、リークから派生したILWEファミリーインスタンス上で、異なるリカバリ解決器を体系的に評価する統一的なフレームワークを提案する。 このフレームワークは、通常のILWE、Fiat-Shamir ILWE (FS-ILWE)、Concealed ILWE (CILWE)を含む3つのILWEインスタンスをカバーする。 フレームワーク内では3つのクラスを探索する。 実験の結果,解法は秘密鍵回収効率に大きな影響を及ぼすことがわかった。 特にFS-ILWEでは、事前認識された離散推論は、ベースラインと比較して1～2桁のインフォメーション関係の数を減少させる:OLSと比較して、BPはノイズのない設定では15.4x-64.9x、ノイズの多い設定では10.5x-73.9xである。 全体として、この研究はランダムネスリーク攻撃における様々な解法を体系的に評価し、ML-DSAの今後の分析のための新しいベンチマークを示す。

関連論文リスト

• Not All Refusals Are Equal: How Safety Alignment Fails Cybersecurity at Scale [5.1398662278838225]
  ここでは,1T-パラメータKim K2の例を例に,ドメイン固有文字化が標準手法で達成可能であることを示す。 モデルの特徴とドメイン固有の消音効果の相関について検討し,安全性トレーニングとアーキテクチャのタイプが最も信頼性の高い予測因子であることを確認した。
  論文  参考訳（メタデータ） (2026-07-02T19:05:07Z)
• From Sparse Features to Trustworthy Proxies: Certifying SAE-Based Interpretability [53.681678236115836]
  我々は,SAEに基づく説明を,基盤となる凍結LMの忠実な見方として扱うことができるかを検討した。 この枠組みは, 4つの測定可能な量を用いて, 基本モデルの予測リスクの上限を導出する。 我々は, GPT-2 Small, Gemma-2B, Llama-3-8B のサンプルサイズにおいて, 境界が非空洞となることを示す。
  論文  参考訳（メタデータ） (2026-06-16T18:28:23Z)
• Quantifiable Uncertainty: A Stochastic Consensus Multi-Agent RAG Framework for Robust Malware Detection [1.2183405753834562]
  本稿では,マルウェア解析をセマンティックコード検索と確率的検証に分離するフレームワークMAGMAを提案する。 MAGMAは98.4%の検知率を示し,既存の解よりもかなり高い値を示した。
  論文  参考訳（メタデータ） (2026-05-08T18:46:24Z)
• The Vulnerability of LLM Rankers to Prompt Injection Attacks [40.03039307576983]
  大規模言語モデル(LLM)は強力なリランカとして登場した。 最近の研究では、候補文書に埋め込まれた単純なプロンプトインジェクションは、LCMのランキング決定を著しく変える可能性があることが示されている。
  論文  参考訳（メタデータ） (2026-02-18T06:19:08Z)
• Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
  オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。 ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
  論文  参考訳（メタデータ） (2026-01-20T06:42:56Z)
• DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
  我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。 デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
  論文  参考訳（メタデータ） (2025-09-29T05:17:10Z)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。