A Challenge-Nonce Freshness Gap in Project Veraison's TPM Reference Schemes, Found by Appraising Application-Layer Action Evidence End-to-End
本文对 Project Veraison 用于证明应用层动作证据的 TPM 参考方案进行了端到端验证，揭示并修复了一个关键的挑战-随机数（challenge-nonce）新鲜度漏洞，该漏洞此前曾导致重放的引证被错误地接受为有效。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
数字证人问题
想象一下，你正在试图破解一个谜团，但唯一的目击者竟然是嫌疑人本人。他递给你一份签了名的日记条目，上面写着：“我没有偷饼干；我当时在厨房里烤饼干。”你检查了签名，发现完美无缺。但问题在于，嫌疑人在吃掉饼干之后才写的这本日记，而且他有能力重写厨房的历史。在计算机安全领域，这就是“问责差距”（accountability gap）。当一个 AI 智能体或软件机器人执行了重要操作（比如转移资金或更改系统设置）时，它会留下记录。但这个记录是由我们试图信任的软件本身创建的。如果软件在撒谎，记录看起来会非常完美，但故事本身却是假的。
为了解决这个问题，科学家们使用了一个聪明的技巧，叫做远程度量（Remote Attestation）。你可以把它想象成一位永不眠的公证员。与其相信嫌疑人的日记，我们要求计算机内部一个特殊的、不可更改的硬件芯片（称为 TPM）对软件当前正在做的事情进行一次“快照”。该芯片会对一份“引文”（数字证书）进行签名，声明：“我看到软件执行了 X 操作。”如果软件试图在事后撒谎，快照将与谎言不匹配，公证员就会识破它。本文的研究重点在于将“发生了什么”（行动）与“快照”（安全证明）联系起来，以确保 AI 智能体无法通过伪造历史来蒙混过关。
本文的故事：捕捉“穿越时空”的谎言
本文提出了一个名为**行动证据包（Action Evidence Package, AEP）**的新概念，并对其进行了真实的、严格的测试。AEP 就像是 AI 行动的数字收据：它列出了 AI 做了什么、是谁命令它做的，以及产生的结果是什么。作者想要观察是否可以将这份收据与硬件“快照”绑定在一起，从而确保如果 AI 试图篡改结果（例如将“我转账了 100 美元”改为“我转账了 10 美元”），硬件签名将会失效。
他们利用一个模拟安全芯片（TPM 的软件版本）构建了一个完整的系统，并将他们的收据发送给了一个符合标准的真实安全检查器——Project Veraison。结果如何？该系统在捕捉关于“发生了什么”的谎言方面表现得非常完美。当他们替换了行动的结果时，系统正确地将其标记为“不符”（Contraindicated，一种表示“不，这是错误的”的高级说法）。当他们尝试伪造签名时，系统也成功拦截了。这证明了“收据”与“快照”现在被紧紧地粘合在一起；你无法在不破坏封印的情况下改变故事。
然而，作者发现了一个隐藏的陷阱。
在测试系统时，他们发现安全检查器在处理**新鲜度（freshness）**方面存在一个重大缺陷。在现实世界中，如果你向保安展示身份证，他们需要知道那是“今天”的身份证，而不是你去年做的复印件。在数字世界中，这是通过“随机数”（nonce）来实现的——这是一个每次询问时都会变化的随机数字。这就像保安问：“今天的暗号是什么？”然后你回答正确一样。
作者发现 Project Veraison 参考方案玩了一个把戏。它会询问暗号，然后系统会在最终报告中回显这个暗号，使其看起来像是检查过了。但实际上，安全检查器从未真正将报告中的暗号与它询问的那个暗号进行比对！它只检查了签名和内容。
后果： 攻击者可以窃取一个“好日子”里的有效“收据”，等待一周后再次播放它。因为系统没有检查暗号是否与“当前日期”相匹配，它仍然会显示：“是的，这个没问题！”即便 AI 当前的状态可能已经完全不同了。这就像一个保安接受了一张 2015 年的照片作为身份证明，因为照片上的长相很像那个人，尽管那个人自从那时起已经改名换姓并搬迁了。
修复方案： 作者不仅指出了这个漏洞，还修补了它。他们对代码进行了微小的改动（仅一行），使系统能够真正“读取”暗号，并编写了一条简单的规则（策略）规定：“如果暗号与我们刚刚询问的那个不匹配，立即拒绝。”他们测试了这一修复方案，并证明当同一个“好”收据被第二次重放时，现在会被正确地判定为“不符”。
这意味着：
本文证实了我们可以成功地将 AI 行动与硬件安全绑定，但也警告我们，即使是“完美”的系统也可能存在盲点。作者发现，他们测试的特定安全方案缺少一个至关重要的检查，即“这是否正在发生”。他们提供了一个有效的修复方案，将“重放的谎言”转化为“被检测到的失败”。虽然他们的测试使用的是模拟芯片（而非真实计算机中的物理芯片），但该修复逻辑同样适用于真实的硬件。本文并不声称解决了所有的 AI 安全问题，但它成功地堵住了一个特定的、危险的漏洞——即让陈旧、过时的记录伪装成新鲜记录的漏洞。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。