⚡ electrical engineering

Evaluating PQC KEMs, Combiners, and Cascade Encryption via Adaptive IND-CPA Testing Using Deep Learning

Este artículo propone un marco de aprendizaje profundo para evaluar empíricamente la indistinguibilidad de cifrados (IND-CPA) en esquemas de criptografía post-cuántica, combinaciones híbridas y cifrado en cascada, demostrando que ninguna de las implementaciones probadas presenta vulnerabilidades explotables por el modelo, lo que valida la utilidad de este enfoque como complemento al análisis de seguridad teórico.

Autores originales: Simon Calderon, Niklas Johansson, Onur Günlü

Publicado 2026-04-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Simon Calderon, Niklas Johansson, Onur Günlü

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como un examen de seguridad para cajas fuertes digitales, pero en lugar de usar llaves físicas, usan inteligencia artificial (redes neuronales) para intentar "adivinar" si las cajas están bien cerradas.

Aquí tienes la explicación sencilla, usando analogías de la vida real:

1. El Gran Problema: ¿Son nuestras cajas realmente invisibles?

En el mundo de la criptografía, hay una regla de oro: si alguien ve tu mensaje cifrado (la "caja"), no debe poder adivinar qué hay dentro, ni siquiera si sabe que dentro hay una "A" o una "B". A esto se le llama indistinguibilidad.

El problema es que ahora estamos cambiando las cerraduras antiguas (que usan matemáticas clásicas) por nuevas cerraduras resistentes a las computadoras cuánticas (que son como supercomputadoras del futuro). Además, para estar seguros, a veces combinamos una cerradura nueva con una vieja (llamado "híbrido").

La pregunta del artículo: ¿Funcionan bien estas nuevas combinaciones? ¿O hay algún patrón oculto que una computadora inteligente pueda detectar?

2. La Herramienta: El "Detective" de Inteligencia Artificial

Los autores crearon un detective digital (una Red Neuronal Profunda). Imagina que este detective es un niño muy listo al que le muestran dos tipos de sobres:

Sobre A: Contiene un mensaje aleatorio (como un billete de lotería con números al azar).
Sobre B: Contiene el mismo mensaje repetido una y otra vez (como un billete que siempre dice "CERO").

El detective tiene que mirar solo el sobre (el texto cifrado) y decir: "¿Es este el Sobre A o el Sobre B?".

Si el detective adivina al azar (50% de aciertos), significa que la cerradura es perfecta. Los sobres son indistinguibles.
Si el detective empieza a acertar más del 50% (digamos, 60% o 90%), significa que la cerradura tiene un defecto. Hay un patrón que el detective ha aprendido a ver.

3. ¿Qué probaron? (El Laboratorio de Pruebas)

Los autores pusieron a este detective a trabajar en tres escenarios diferentes:

A. Las Nuevas Cerraduras (PQC)

Probaron las nuevas cerraduras que el gobierno de EE. UU. (NIST) está eligiendo para el futuro: ML-KEM, BIKE y HQC.

Resultado: El detective miró miles de sobres y no pudo distinguir nada. Adivinaba como si estuviera lanzando una moneda al aire.
Conclusión: ¡Excelente! Estas nuevas cerraduras son muy seguras y no tienen patrones obvios.

B. Las Cerraduras Mixtas (Híbridas)

Aquí es donde se pone interesante. Imagina que pones una cerradura nueva dentro de una caja y luego le pones otra cerradura vieja (o incluso una cerradura rota) por fuera.

La teoría: Si al menos una de las dos cerraduras es buena, la caja debería ser segura.
El experimento: Combinaron las nuevas cerraduras con otras viejas (como RSA) o incluso con "papel sin cerrar" (texto plano).
Resultado: ¡Sorpresa! Incluso cuando combinaron una cerradura nueva con una muy débil o rota, el detective siguió sin poder distinguir nada.
La analogía: Es como poner un candado de acero dentro de una caja de cartón. Aunque la caja de cartón se rompe fácil, el candado de acero sigue protegiendo lo de adentro. La combinación sigue siendo segura.

C. Las Cajas Apiladas (Encriptación en Cascada)

Imagina que pones un mensaje dentro de una caja, cierras esa caja, y luego metes esa caja dentro de otra caja más grande y la cierras también.

Probaron mezclar diferentes tipos de cajas (algunas seguras, otras como la vieja "ECB" que es muy débil).
Resultado: Mientras que al menos una de las cajas fuera segura, el detective no pudo ver nada. La seguridad se mantiene.

4. ¿Por qué es importante esto?

Antes, para saber si una cerradura era buena, los matemáticos tenían que hacer cálculos teóricos muy complejos (como intentar resolver un rompecabezas infinito en papel).

Este artículo dice: "¡Esperen! Podemos usar una IA para probarlo en la práctica."
Es como tener un simulador de choques para coches. En lugar de solo calcular la física del impacto, chocamos el coche contra un muro miles de veces con una IA para ver si se rompe.

5. El Veredicto Final

Ninguna cerradura falló: Ninguna de las nuevas tecnologías ni sus combinaciones mostraron debilidades que la IA pudiera explotar.
La IA es una buena herramienta: Sirve como una prueba rápida y práctica para asegurar que nuestras implementaciones reales funcionan tal como la teoría dice que deberían funcionar.
Advertencia: La IA es buena, pero no es perfecta. No tiene acceso a todas las herramientas que un hacker real tendría (como claves públicas o la capacidad de pedir más sobres cifrados), por lo que es un complemento, no un reemplazo total de los matemáticos.

En resumen: Los autores usaron un "detective de IA" para revisar las nuevas cerraduras digitales del futuro. El detective no encontró ningún defecto, confirmando que nuestras nuevas formas de proteger datos (incluso cuando las mezclamos con las viejas) son sólidas y seguras. ¡Podemos dormir tranquilos!

Título: Evaluación de KEMs PQC, Combinadores y Encriptación en Cascada mediante Pruebas IND-CPA Adaptativas usando Aprendizaje Profundo

1. Problema

La transición hacia la criptografía post-cuántica (PQC) implica el uso de construcciones híbridas que combinan primitivas clásicas y resistentes a cuánticos para mitigar riesgos durante el periodo de transición. Sin embargo, validar empíricamente la propiedad de indistinguibilidad bajo ataque de texto plano elegido (IND-CPA) en implementaciones reales y configuraciones híbridas presenta desafíos prácticos.

Aunque existen garantías teóricas de seguridad para ciertos combinadores y algoritmos, la validación empírica es crucial para detectar posibles debilidades en implementaciones o composiciones no estándar.
Los métodos tradicionales de análisis criptográfico son a menudo analíticos y pueden no capturar patrones sutiles en datos reales. Se requiere una herramienta adaptativa y basada en datos para evaluar si un adversario puede distinguir entre cifrados de diferentes orígenes.

2. Metodología

Los autores proponen modelar el juego de seguridad IND-CPA como una tarea de clasificación binaria utilizando Redes Neuronales Profundas (DNN).

Enfoque General: Se entrena una DNN para distinguir entre dos clases de cifrados:
1. Cifrados generados a partir de textos planos uniformemente aleatorios.
2. Cifrados generados a partir de un texto plano fijo (ej. todos ceros).
- Si la red logra una precisión significativamente mayor al 50% (azar), el esquema no es IND-CPA seguro bajo el modelo de adversario propuesto.
Algoritmos Evaluados:
- KEMs PQC: Se aplicó el modelo a los esquemas de cifrado de clave pública (PKE) subyacentes de ML-KEM (Kyber), BIKE y HQC.
- KEMs Híbridos: Se extendió el marco para probar combinaciones de KEMs PQC con cifrados asimétricos clásicos (RSA-OAEP, RSA sin relleno) y texto plano. Se utilizó un combinador de la forma $k = F(k_1, c) \oplus F(k_2, c)$ (donde $\oplus$ es XOR).
- Encriptación en Cascada (Simétrica): Se probaron combinaciones de algoritmos simétricos (AES-CTR, AES-CBC, AES-ECB, ChaCha20, DES-ECB) en configuraciones de cascada (cifrado anidado).
Configuración del Modelo:
- Se entrenaron dos arquitecturas de red (pequeña y grande) con funciones de activación ReLU y salida sigmoide.
- Se utilizó pérdida de entropía cruzada binaria (BCE) como función de costo.
- Se generaron 500,000 muestras por clase para entrenamiento y se aplicó validación temprana.
Análisis Estadístico: A diferencia de trabajos previos que solo reportan precisión, los autores aplican una prueba binomial de dos colas con un nivel de significancia $\alpha = 0.01$ para determinar si la precisión de la red es estadísticamente diferente del azar.

3. Contribuciones Clave

Validación Empírica de PQC: Se demuestra la aplicabilidad del aprendizaje profundo para probar la propiedad IND-CPA de los componentes PKE de algoritmos estandarizados por NIST (ML-KEM, HQC) y candidatos (BIKE).
Extensión a KEMs Híbridos: Se presenta una novedosa extensión del marco para evaluar la indistinguibilidad en KEMs híbridos construidos con combinadores seguros (basados en XOR), combinando algoritmos PQC con RSA y texto plano.
Generalidad Metodológica: Se demuestra que el enfoque es versátil al aplicarlo exitosamente a la encriptación simétrica en cascada, cubriendo tanto algoritmos seguros (IND-CPA) como inseguros (determinísticos).
Rigor Estadístico: Introducción de pruebas de hipótesis binomiales estrictas para validar los resultados de los clasificadores neuronales, evitando falsos positivos en la detección de vulnerabilidades.

4. Resultados

Algoritmos Individuales:
- RSA Clásico (sin relleno): La red alcanzó un 100% de precisión, confirmando su vulnerabilidad conocida a ataques IND-CPA debido a su naturaleza determinista.
- RSA-OAEP, ML-KEM, BIKE, HQC: Las redes alcanzaron precisiones cercanas al 50% (entre 49.9% y 50.26%). Las pruebas binomiales no rechazaron la hipótesis nula ( $p > 0.01$ ), indicando que no hay ventajas significativas sobre el azar. Esto confirma empíricamente su seguridad IND-CPA.
KEMs Híbridos:
- Las combinaciones de KEMs PQC con RSA-OAEP, RSA sin relleno o texto plano mostraron precisiones cercanas al 50%.
- Incluso al combinar algoritmos inseguros (ej. RSA sin relleno + texto plano), la red no logró distinguir los patrones con ventaja significativa bajo el modelo de adversario restringido (sin acceso a oráculos de cifrado). Esto respalda la teoría de que la seguridad se hereda del componente más fuerte en un combinador seguro.
Encriptación en Cascada:
- Todas las combinaciones de cifrados simétricos (incluyendo cascadas con algoritmos inseguros como AES-ECB o DES-ECB) resultaron indistinguibles para la red (precisión ~50%).
- Esto valida empíricamente que la encriptación en cascada preserva la indistinguibilidad si al menos uno de los componentes es IND-CPA seguro.

5. Significado e Impacto

Validación Práctica: El estudio demuestra que el aprendizaje profundo puede servir como un estimador empírico, adaptable y versátil para validar la seguridad de implementaciones y composiciones criptográficas complejas, complementando el análisis teórico.
Seguridad de Transición PQC: Los resultados refuerzan la confianza en las estrategias de transición híbrida, mostrando que las combinaciones propuestas (KEMs PQC + Clásicos) mantienen la propiedad de indistinguibilidad bajo ataques de texto plano elegido, incluso ante la presencia de componentes clásicos débiles.
Limitaciones y Futuro: El artículo reconoce que el modelo de adversario de la DNN es más restrictivo que el modelo de amenaza estándar (no tiene acceso a claves públicas ni oráculos de cifrado). Sin embargo, establece una línea base sólida: si una red neuronal sí logra distinguir los cifrados, es una señal fuerte de vulnerabilidad. El trabajo futuro se dirige a desarrollar clasificadores que incorporen acceso a oráculos para cerrar esta brecha.

En conclusión, el paper proporciona una herramienta metodológica robusta para la evaluación de seguridad en la era post-cuántica, confirmando que las construcciones híbridas y en cascada actuales son resistentes a ataques de indistinguibilidad basados en patrones aprendibles por redes neuronales.