FORSCHUNG
März 2025: KyberSlash, verschlüsselte Backups mit Datenlecks, KI-Assistenten, die tracken
Der März 2025 lenkt den Blick zurück auf die Implementierung. Kybers Referenzcode verriet den Schlüssel über Divisionszeiten, und fünf verschlüsselte Backup-Tools geben Inhalte über ihre Blockbildung preis. KI-Browserassistenten senden ganze Seiten an ihre Server, Bluetooth- und WLAN-SDKs verfolgen den Standort, und Opfer schildern Pig-Butchering-Betrug.
Archiv: Rekonstruktion, verfasst im November 2026
1. KyberSlash: Exploiting secret-dependent division timings in Kyber implementations
IACR Transactions on Cryptographic Hardware and Embedded Systems · Daniel J. Bernstein, Karthikeyan Bhargavan, Shivam Bhasin, Anupam Chattopadhyay et al. · Post-Quanten-Kryptographie
Kurz gesagt: Zwei Timing-Lücken im Referenzcode von Kyber (ML-KEM) erlauben die Rückgewinnung des geheimen Schlüssels.
KyberSlash1 und KyberSlash2 nutzen geheimnisabhängige Divisionszeiten in mehreren Kyber-Implementierungen, auch im Referenzcode des Standards ML-KEM. Auf Raspberry Pi 2 und Cortex-M4 ist der Schlüssel in Minuten bis wenigen Stunden gewonnen. Die Bibliotheken sind gepatcht, und ein angepasstes Valgrind fand weitere Fälle in über 1.000 Implementierungen.
Warum es wichtig ist. Selbst der Referenzcode eines Post-Quanten-Standards kann ausnutzbare Fehler enthalten: Krypto-Updates sind wie Sicherheitspatches zu verfolgen.
2. Breaking and Fixing Content-Defined Chunking
ACM Conference on Computer and Communications Security · Kien Tuong Truong, Simon-Philipp Merz, Matteo Scarlata, Felix Günther et al. · Kryptographie
Kurz gesagt: Borg, Restic und Tarsnap: Die Blockbildung verschlüsselter Backups verrät Schlüssel und Inhalte.
Backup-Tools deduplizieren Daten in inhaltsabhängigen Blöcken und mischen gegen Lecks einen Schlüssel ein. Die Autoren gewinnen diesen Schlüssel in fünf Verfahren von Borg, Bupstash, Duplicacy, Restic und Tarsnap mit schwachen Known- oder Chosen-Plaintext-Fähigkeiten zurück und zeigen vollständige Angriffe auf Borg, Restic und Tarsnap. Sie schlagen eine beweisbar sichere Konstruktion vor.
Warum es wichtig ist. Backup-Verschlüsselung ist eine oft geforderte Maßnahme: Zu prüfen ist auch, wie das Produkt dedupliziert, nicht nur der angegebene Algorithmus.
3. Big Help or Big Brother? Auditing Tracking, Profiling, and Personalization in Generative AI Assistants
USENIX Security Symposium · Yash Vekaria, Aurelio Loris Canino, Jonathan Levitsky, Alex Ciechonski et al. · Web und Mobile
Kurz gesagt: Die zehn beliebtesten KI-Browserassistenten senden ganze Seiten, teils auch Formulareingaben, an ihre Server.
Die Studie untersucht Verkehr und Verhalten der zehn beliebtesten KI-Assistenten als Browsererweiterung. Sie nutzen serverseitige APIs, die ohne Nutzeraktion auslösen können, und senden Seiteninhalte, oft das komplette DOM und manchmal Formulareingaben. Einige teilen Kennungen und Prompts mit Drittanbieter-Trackern wie Google Analytics, selbst auf Seiten mit Gesundheitsdaten.
Warum es wichtig ist. Eine von einem Mitarbeiter installierte Erweiterung kann Kunden- oder Patientendaten an Dritte geben: ein Datenschutzrisiko außerhalb der IT-Kontrolle.
4. Your Signal, Their Data: An Empirical Privacy Analysis of Wireless-scanning SDKs in Android
Proceedings on Privacy Enhancing Technologies · Aniketh Girish, Joel Reardon, Juan Tapiador, Srdjan Matic et al. · Netzwerksicherheit
Kurz gesagt: 86% der Apps mit Bluetooth- und WLAN-Scan-SDKs erheben sensible Daten, auch den Standort.
Bluetooth- und WLAN-Scans finden Geräte und Netze, verraten aber auch den Standort, etwa über Beacons in Einkaufszentren. Die erste systematische Analyse von 52 Scan-SDKs zeigt, dass 86% der Apps mit diesen SDKs mindestens einen sensiblen Datentyp erheben, etwa Kennungen, E-Mail und GPS-Koordinaten, mit breitem Austausch zwischen SDKs und Verknüpfung dauerhafter und rücksetzbarer IDs.
Warum es wichtig ist. Ein App-Anbieter haftet auch für eingebundene Fremdbibliotheken: verdeckte Standorterhebung ist ein konkretes regulatorisches Risiko.
5. Prompt Inversion Attack against Collaborative Inference of Large Language Models
IEEE Symposium on Security and Privacy · Wenjie Qu, Yuguang Zhou, Yongji Wu, Tingsong Xiao et al.
Kurz gesagt: Bei kollaborativer LLM-Inferenz rekonstruiert ein bösartiger Teilnehmer Prompts aus empfangenen Aktivierungen.
Um Kosten zu sparen, verteilen manche Plattformen die Schichten eines LLM auf GPUs mehrerer Nutzer, die Zwischenaktivierungen weiterreichen. Der Prompt-Inversion-Angriff zeigt, dass ein bösartiger Teilnehmer daraus den Eingabeprompt rekonstruieren kann: Er optimiert zunächst Embeddings mit einer modellbasierten Nebenbedingung und gewinnt dann Tokens per Kalibrierung zurück.
Warum es wichtig ist. Wer Rechenlast auf fremde Maschinen verteilt, verteilt auch die Daten: Vertrauliches gehört nicht auf solche Plattformen.
6. ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
arXiv · Zhaorun Chen, Mintong Kang, Bo Li · Politik, Recht und Gesellschaft
Kurz gesagt: ShieldAgent prüft Aktionen anderer KI-Agenten gegen Regeln aus Richtliniendokumenten.
Autonome Agenten bleiben anfällig für bösartige Anweisungen, und Chatbot-Schutzmechanismen passen nicht zu ihren Aktionsfolgen. ShieldAgent extrahiert überprüfbare Regeln aus Richtliniendokumenten und prüft den Ablauf des geschützten Agenten mit logischem Schließen und formaler Verifikation. Auf einem neuen Benchmark mit 3.000 Fällen übertrifft es frühere Methoden um 11,3% bei 90,1% Recall.
Warum es wichtig ist. Unternehmensrichtlinien in automatische Kontrollen von Agentenaktionen zu übersetzen macht einen KI-Einsatz bewertbar.
7. "Hello, is this Anna?": Unpacking the Lifecycle of Pig-Butchering Scams
arXiv · Rajvardhan Oak, Zubair Shafiq · System- und Softwaresicherheit
Kurz gesagt: Interviews mit 26 Opfern zeichnen die Phasen von Pig-Butchering-Betrug nach, von Romanze bis Scheininvestment.
Pig-Butchering-Betrug verbindet Liebesbetrug, Anlagebetrug und Social Engineering. Die erste qualitative Analyse auf Basis von Interviews mit 26 Opfern beschreibt einen organisierten Ablauf: schrittweise aufgebautes Vertrauen, falsche Finanzplattformen, erfundene Renditen und wiederholter Druck. Opfer werden anfälliger für Folgebetrug. Die Autoren nennen Eingriffspunkte für Plattformen.
Warum es wichtig ist. Verluste wachsen in Etappen, Banken haben also mehr als eine Chance einzugreifen: relevant für Betrugsdeckungen und Kundenhinweise.
8. "We just did not have that on the embedded system": Insights and Challenges for Securing Microcontroller Systems from the Embedded CTF Competitions
ACM Conference on Computer and Communications Security · Zheyuan Ma, Gaoxiang Liu, Alex Eastman, Kai Kaufman et al. · System- und Softwaresicherheit
Kurz gesagt: MITREs eCTF-Wettbewerbe zeigen, warum Mikrocontroller-Systeme schwer abzusichern bleiben.
Mikrocontroller steuern Fahrzeuge, Medizingeräte und Industrieanlagen. Anhand der Team-Entwürfe aus MITREs eCTF 2023 und 2024 und Interviews mit Teilnehmenden findet die Studie konzeptionelle und praktische Hürden: Wer von Mikroprozessorsystemen kommt, kennt die spezifischen Angriffe nicht, Rust wird kaum unterstützt, und schwache Entropiequellen schwächen die Kryptografie.
Warum es wichtig ist. Fehler entstehen in der Entwicklung und wiederholen sich bei Herstellern: Für Produkt- und Haftpflichtrisiken zählt die Prozessreife des Lieferanten.
Die Trends des Monats
Kryptographie
173 Paper des Monats zu diesem Thema
Mit 173 Arbeiten ist Kryptografie das zweite Thema des Monats, und die zwei ausgewählten Arbeiten haben dieselbe Botschaft: Der Algorithmus ist solide, die Implementierung nicht. Kyber, gerade als ML-KEM standardisiert, verriet den Schlüssel im Referenzcode, und verschlüsselte Backups fünf verbreiteter Produkte geben über die Deduplizierung Informationen preis.
Zitierte Paper:
- KyberSlash: Exploiting secret-dependent division timings in Kyber implementations
- Breaking and Fixing Content-Defined Chunking
Datenschutz
67 Paper des Monats zu diesem Thema
Datenschutz hängt an Komponenten, die Nutzer nicht sehen. KI-Browserassistenten senden ganze Seiten an Server und Tracker, WLAN- und Bluetooth-SDKs ermitteln den Standort und verknüpfen Kennungen, und bei kollaborativer LLM-Inferenz verraten die ausgetauschten Aktivierungen den Prompt. Stets fließen Daten über ein bequem eingebundenes Fremdteil ab.
Zitierte Paper:
- Big Help or Big Brother? Auditing Tracking, Profiling, and Personalization in Generative AI Assistants
- Your Signal, Their Data: An Empirical Privacy Analysis of Wireless-scanning SDKs in Android
- Prompt Inversion Attack against Collaborative Inference of Large Language Models
KI- und LLM-Sicherheit
201 Paper des Monats zu diesem Thema
Mit 201 Arbeiten bleibt KI-Sicherheit das wichtigste Thema. Neben Angriffen wachsen Kontrollsysteme: ShieldAgent übersetzt Richtliniendokumente in überprüfbare Regeln für Agentenaktionen, näher an der Compliance-Steuerung eines Unternehmens als an Inhaltsfiltern.
Zitierte Paper:
- ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
- Prompt Inversion Attack against Collaborative Inference of Large Language Models
Wie dieser Digest entsteht
Diese Ausgabe gehört zum Archiv des Digests und wurde nachträglich rekonstruiert. Die Paper des Monats stammen aus arXiv, dem IACR-ePrint-Archiv und den wichtigsten Sicherheitskonferenzen und -zeitschriften; bei der Auswahl zählen auch die seit der Veröffentlichung erhaltenen Zitierungen. Ein KI-Modell hat die Kandidaten bewertet und die Zusammenfassungen verfasst, die auf den Abstracts beruhen: Für Details gilt das Original-Paper.
Bewertete Paper des Monats: 1414.