AI

L'IA de DeepMind expose les faiblesses du RSA ancien 1 600 fois plus vite

La cryptanalyse automatisée révèle des vulnérabilités structurelles dans les signatures numériques 1024 bits, sans toucher au chiffrement moderne.

2 min de lectureAI-generated content

PartagerLinkedInFacebookX

Traduit automatiquement de l’original en anglais Lire l’original

L'IA de DeepMind expose les faiblesses du RSA ancien 1 600 fois plus vite
Photo: Saad Ahmad / Unsplash

Le 6 novembre 2026, des chercheurs de Google DeepMind ont dévoilé des techniques algorithmiques qui accélèrent jusqu'à 1 600 fois les attaques mathématiques contre l'ancien chiffrement RSA. L'étude s'appuie sur l'intelligence artificielle pour rechercher des faiblesses mathématiques dans les anciennes formules cryptographiques, sans affecter les systèmes modernes de chiffrement 2048 bits.

Contourner le padding des signatures numériques

La recherche a été menée par Dj Dvijotham et Abhradeep Thakurta chez Google DeepMind, en collaboration avec des cryptographes de l'université de Californie à San Diego et d'Inria. Le scientifique en chef de DeepMind, Pushmeet Kohli, a annoncé les résultats le 6 novembre 2026, précisant que l'étude évaluait les hypothèses mathématiques qui protègent les enregistrements numériques, comme le rapporte Interesting Engineering.

Les signatures numériques reposent sur le padding, qui ajoute des données prédéfinies pour vérifier l'authenticité des mises à jour logicielles, sécuriser les sites web et les documents électroniques. L'équipe a examiné d'anciens schémas RSA 1024 bits afin d'observer le comportement du padding en cas d'altération. Des agents logiciels autonomes ont déterminé que, lorsqu'un attaquant contrôle environ la moitié ou plus d'un bloc de données signé, le padding n'apporte pratiquement aucune protection supplémentaire contre la falsification. Dans ces conditions, falsifier une signature ne demande pas plus d'efforts que d'attaquer un système sans padding.

Bancs d'essai et factorisation par lots

Même lorsque l'attaquant ne contrôle qu'une faible fraction des informations signées, comme une empreinte numérique de 32 octets, l'algorithme nouvellement identifié améliore l'efficacité théorique des attaques antérieures d'environ 1 600 fois. Pour tester cette invention mathématique, les chercheurs ont exécuté la routine dans un environnement isolé (sandbox) sur un banc d'essai RSA-1024 de référence.

Le système a reproduit le résultat visé en utilisant 3,5 fois moins de temps CPU que les méthodes précédentes. Il a également consommé moins d'un millième de la puissance de calcul auparavant nécessaire pour factoriser la clé de référence. Une seconde découverte technique porte sur la factorisation par lots, où les attaquants tentent de factoriser simultanément plusieurs clés de même longueur. L'équipe a constaté que leur algorithme réduit d'environ 30 fois le coût de calcul moyen de la factorisation de chaque clé 1024 bits supplémentaire, par rapport aux techniques par lots antérieures.

De futurs tests de résistance

La sécurité numérique moderne repose largement sur des clés RSA de 2048 bits ou plus, qui restent résistantes à ces résultats. Les applications de messagerie actuelles, les plateformes bancaires en ligne et les mises à jour de systèmes d'exploitation ne sont pas exposées à la vulnérabilité 1024 bits. L'innovation montre plutôt comment des outils automatisés peuvent compresser des cycles de découverte mathématique qui demandaient historiquement des décennies de recherche manuelle.

Selon l'équipe de recherche de DeepMind, des agents supervisés pourraient devenir des instruments standards pour tester les protocoles cryptographiques émergents avant que des acteurs malveillants ne trouvent des failles théoriques. Les équipes de sécurité comptent utiliser ces techniques de cryptanalyse automatisée pour éprouver les futurs standards post-quantiques et à clé publique à mesure que le matériel informatique progresse.

À lire aussi sur The Patent : AT&T et AST SpaceMobile réussissent le premier transfert cellulaire vers un réseau satellite · Un robot humanoïde apprend des séquences complexes sans données d'entraînement unifiées