論文の概要: CryptanalysisBench: Can LLMs do Cryptanalysis?

• arxiv url: http://arxiv.org/abs/2607.18538v1
• Date: Mon, 20 Jul 2026 22:09:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.253814
• Title: CryptanalysisBench: Can LLMs do Cryptanalysis?
• Title（参考訳）: CryptanalysisBench: LLMはCryptanalysisができるか?
• Abstract要約: CryptanalysisBenchは、暗号プリミティブの6つのファミリーにまたがる191のタスクである。 我々のベンチマークは3つの階層から構成されている: (i) 実用的ブレークを既知のプリミティブ; (ii) 実用的ブレークを知らないプリミティブ。 5つのフロンティアモデルではタイア1スキームの65%-86%、全力で6-12ティア2スキーム、全スケールダウンモデルの24-61が破られる。
• 参考スコア（独自算出の注目度）: 76.79639292270497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cryptanalysis - the task of finding attacks against cryptographic schemes - sits at the intersection of mathematical reasoning and cybersecurity, two areas where LLMs have advanced fastest. Cryptanalysis represents both a clean testbed for frontier reasoning (as practical attacks can be automatically verified) and a domain with unusually high stakes, since the primitives under study underpin our digital security. In this paper we ask whether LLMs can do cryptanalysis, and find that the answer is increasingly yes. We introduce CryptanalysisBench, 191 tasks across six families of cryptographic primitives (block ciphers, hash functions, etc.) drawn primarily from four NIST standardization competitions. Our benchmark consists of three tiers: (i) primitives with known practical breaks; (ii) primitives with no known practical break, evaluated both at full strength and as scaled-down variants; and (iii) a challenge set of production primitives at the frontier of cryptanalysis. Five frontier models (Claude Opus 4.8, Sonnet 5, Mythos 5, GPT 5.5, and the open-weights GLM 5.2) break 65%-86% of Tier 1 schemes, 6-12 Tier-2 schemes at full strength, and 24-61 across all scaled-down variants. Beyond deriving known results, models produce novel cryptanalysis, such as a key-recovery attack that exploits a design flaw in the SpoC AEAD and an error in KINDI's published CCA-security proof, both to the best of our knowledge not previously known. We release CryptanalysisBench as a tool to help track if (or when) AI cryptanalysis becomes a serious factor and as a scaffold for stress-testing candidate schemes before deployment. The attacks that the benchmark already surfaces are an early snapshot of a fast-moving frontier that may soon match, and in places exceed, the published state of the art.
• Abstract（参考訳）: クリプトアナリシス(英: Cryptanalysis)は、LLMが急速に進歩している2つの分野である数学的推論とサイバーセキュリティの交差点にある。 クリプトアナリシス(Cryptanalysis)は、フロンティア推論のためのクリーンなテストベッド(実用的な攻撃が自動的に検証されるため)と、非常に高い利害関係を持つドメインの両方を表します。 本稿では、LLMが暗号解析を行えるかどうかを問うとともに、その答えがますますイエスであることが分かる。 CryptanalysisBenchは、主に4つのNIST標準化コンペから引き出された6種類の暗号プリミティブ(ブロック暗号、ハッシュ関数など)の191のタスクである。 私たちのベンチマークは3つの階層で構成されています。 (i)既成種が既成種であること。 二 実用的故障のない原始体で、全力及びスケールダウンの変種として評価すること。 (iii)暗号解読のフロンティアにおける生産プリミティブの挑戦。 5つのフロンティアモデル(Claude Opus 4.8, Sonnet 5, Mythos 5, GPT 5.5, and the Open-weights GLM 5.2)はタイア1スキームの65%-86%、フルパワーの6-12 Tier-2スキーム、全スケールダウンモデルの24-61を破る。 既知の結果の導出以外にも、SpoC AEADにおける設計上の欠陥とKINDIが公表したCCAセキュリティ証明の誤りを利用したキー回復攻撃のような、新しい暗号解析をモデルが生成する。 我々はCryptanalysisBenchを、AIの暗号解析が深刻な要因になるかどうか(あるいはいつ)を追跡できるツールとしてリリースし、デプロイ前にストレステスト候補スキームの足場として提供します。 ベンチマークがすでに表面化している攻撃は、すぐに一致するかもしれない高速移動フロンティアの早期スナップショットであり、公表された最先端技術を超えている。

関連論文リスト

• CREBench: Evaluating Large Language Models in Cryptographic Binary Reverse Engineering [12.401873262343862]
  大規模言語モデル(LLM)の暗号バイナリリバースエンジニアリング機能について検討する。 ベンチマークでは,48の標準暗号アルゴリズム,3つの安全でない暗号鍵使用シナリオ,3つの難易度から構築した432の課題で構成されている。 また、92.19ポイントの強力な人間専門家ベースラインを確立し、暗号REタスクにおいて人間が優位を維持していることを示す。
  論文  参考訳（メタデータ） (2026-04-04T14:51:09Z)
• Paper Summary Attack: Jailbreaking LLMs through LLM Safety Papers [61.57691030102618]
  我々は新しいジェイルブレイク手法であるペーパー・サプリメント・アタック(llmnamePSA)を提案する。 攻撃に焦点をあてたLLM安全紙からコンテンツを合成し、敵のプロンプトテンプレートを構築する。 実験では、ベースLLMだけでなく、Deepseek-R1のような最先端の推論モデルにも重大な脆弱性がある。
  論文  参考訳（メタデータ） (2025-07-17T18:33:50Z)
• AICrypto: A Comprehensive Benchmark for Evaluating Cryptography Capabilities of Large Language Models [31.974963309762913]
  AICryptoは、大規模言語モデルの暗号能力を評価するために設計された最初の包括的なベンチマークである。 ベンチマークは135の多重選択質問、150のキャプチャー・ザ・フラッグ課題、18の証明問題で構成されている。 LLMをリードする17のモデルの評価は、最先端のモデルが暗号概念を記憶する上で、人間の専門家と一致しているか、さらに上回っていることを示している。
  論文  参考訳（メタデータ） (2025-07-13T11:11:01Z)
• Improving LLM Agents with Reinforcement Learning on Cryptographic CTF Challenges [0.0]
  「ランダム・クリプト」は、強化学習の可能性を解き放つために、手続き的に生成された暗号データセットである。 Llama-3.1-8B の Python ツールを Group Relative Policy Optimization 経由で微調整する。 その結果得られたエージェントは、これまで見つからなかった課題に対して、Pass@8で大幅に改善される。
  論文  参考訳（メタデータ） (2025-06-01T01:59:52Z)
• CipherBank: Exploring the Boundary of LLM Reasoning Capabilities through Cryptography Challenges [42.16123880046729]
  暗号復号処理における大規模言語モデル(LLM)の推論能力を評価するために設計されたベンチマークであるCipherBankを紹介する。 我々は、CipherBank(例えば、GPT-4o、DeepSeek-V3、o1やDeepSeek-R1といった最先端の推論モデル)における最先端のLCMを評価した。
  論文  参考訳（メタデータ） (2025-04-27T03:41:17Z)
• Cloning Games, Black Holes and Cryptography [50.022147589030304]
  クローンゲーム解析のための新しいツールキットを提案する。 このフレームワークにより、バイナリフェーズ状態に基づいて新しいクローンゲームを分析することができる。 連成位相の変分最適境界は、ブラックホールの理想化されたモデルで衝突する情報について定量的な洞察を与えることを示す。
  論文  参考訳（メタデータ） (2024-11-07T14:09:32Z)
• Ciphertext Malleability in Lattice-Based KEMs as a Countermeasure to Side Channel Analysis [0.0]
  本稿では,Raviらによって公開されているいくつかのポスト量子暗号プリミティブの暗号文変換性に起因する脆弱性について論じる。 我々は,同じ暗号文の可読性を利用した新しい対策を提案し,その実用性をいくつかのPQCプリミティブに適用することについて議論する。
  論文  参考訳（メタデータ） (2024-09-24T14:07:48Z)
• CodeChameleon: Personalized Encryption Framework for Jailbreaking Large Language Models [49.60006012946767]
  パーソナライズされた暗号化手法に基づく新しいジェイルブレイクフレームワークであるCodeChameleonを提案する。 我々は、7つの大規模言語モデルに関する広範な実験を行い、最先端の平均アタック成功率(ASR)を達成する。 GPT-4-1106上で86.6%のASRを実現する。
  論文  参考訳（メタデータ） (2024-02-26T16:35:59Z)
• Weak-to-Strong Jailbreaking on Large Language Models [92.52448762164926]
  大規模言語モデル(LLM)は、ジェイルブレイク攻撃に対して脆弱である。 既存のジェイルブレイク法は計算コストがかかる。 我々は、弱々しく強固な脱獄攻撃を提案する。
  論文  参考訳（メタデータ） (2024-01-30T18:48:37Z)
• Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
  ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。 本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。 各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
  論文  参考訳（メタデータ） (2020-06-17T18:14:30Z)

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。