INVESTIGACIÓN
Marzo de 2025: KyberSlash, copias cifradas con fugas, asistentes de IA que rastrean
Marzo de 2025 devuelve la atención a la implementación. El código de referencia de Kyber filtraba la clave por los tiempos de división, y cinco programas de copia cifrada revelan el contenido por su troceado. Los asistentes de IA del navegador envían páginas enteras a sus servidores, los SDK de Bluetooth y Wi-Fi rastrean la ubicación y las víctimas cuentan las estafas pig-butchering.
Archivo: reconstrucción escrita en noviembre de 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. · Criptografía poscuántica
En breve: Dos fallos de temporización en el código de referencia de Kyber (ML-KEM) permiten recuperar la clave secreta.
KyberSlash1 y KyberSlash2 explotan divisiones con tiempos dependientes del secreto en varias implementaciones de Kyber, incluido el código de referencia del estándar ML-KEM. En Raspberry Pi 2 y Cortex-M4 la clave se recupera en minutos o pocas horas. Las bibliotecas se han corregido y un Valgrind modificado halló más casos en más de 1.000 implementaciones.
Por qué importa. Incluso el código de referencia de un estándar poscuántico puede tener fallos explotables: las actualizaciones criptográficas deben seguirse como parches de seguridad.
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. · Criptografía
En breve: Borg, Restic y Tarsnap: el troceado de las copias cifradas permite recuperar la clave e inferir el contenido.
Los programas de copia deduplican los datos troceándolos según su contenido y, para evitar fugas, mezclan una clave en el proceso. Los autores recuperan esa clave en cinco esquemas usados por Borg, Bupstash, Duplicacy, Restic y Tarsnap, con capacidades débiles de texto conocido o elegido, y muestran ataques completos a Borg, Restic y Tarsnap. Proponen una construcción demostrablemente segura.
Por qué importa. El cifrado de las copias es un control que se exige a menudo: hay que verificar también cómo deduplica el producto, no solo el algoritmo declarado.
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 y móvil
En breve: Los diez asistentes de IA para navegador más populares envían páginas enteras, a veces formularios, a sus servidores.
El estudio analiza el tráfico y el comportamiento de las diez extensiones de asistentes de IA para navegador más populares. Usan API del servidor que pueden activarse sin acción del usuario y envían el contenido de la página, a menudo el DOM completo y a veces los datos de formularios. Algunas comparten identificadores y prompts con rastreadores como Google Analytics, incluso con datos de salud.
Por qué importa. Una extensión instalada por un empleado puede pasar a terceros datos de clientes o pacientes: un riesgo de violación de privacidad fuera del control de TI.
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. · Seguridad de red
En breve: El 86% de las apps con SDK de escaneo Bluetooth y Wi-Fi recoge datos sensibles, incluida la ubicación.
Los escaneos Bluetooth y Wi-Fi sirven para encontrar periféricos y redes, pero también revelan la ubicación, por ejemplo con balizas en centros comerciales. El primer análisis sistemático de 52 SDK de escaneo muestra que el 86% de las apps que los integran recoge al menos un dato sensible, como identificadores, email y GPS, con amplio intercambio entre SDK y vinculación de identificadores.
Por qué importa. Quien publica una app responde también de las bibliotecas de terceros que incluye: la recogida oculta de ubicación es un riesgo regulatorio concreto.
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.
En breve: En la inferencia colaborativa de LLM, un participante malicioso reconstruye los prompts a partir de las activaciones.
Para ahorrar, algunas plataformas reparten las capas de un LLM entre las GPU de varios usuarios, que se pasan las activaciones intermedias. El prompt inversion attack muestra que un participante malicioso puede reconstruir el prompt de entrada a partir de ellas: primero optimiza los embeddings con una restricción del modelo y luego recupera los tokens con calibración y especulación semántica.
Por qué importa. Repartir el cálculo entre máquinas de terceros también reparte los datos: quien usa estas plataformas no debe enviar información confidencial.
6. ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
arXiv · Zhaorun Chen, Mintong Kang, Bo Li · Políticas, derecho y sociedad
En breve: ShieldAgent comprueba las acciones de otros agentes de IA frente a reglas extraídas de documentos de política.
Los agentes autónomos siguen expuestos a instrucciones maliciosas y las protecciones de los chatbots no encajan con sus acciones. ShieldAgent extrae reglas verificables de documentos de política y controla la trayectoria del agente protegido con razonamiento lógico y verificación formal. En un nuevo benchmark de 3.000 casos supera a métodos previos un 11,3% de media, con un recall del 90,1%.
Por qué importa. Convertir las políticas de la empresa en controles automáticos sobre las acciones de los agentes hace evaluable una adopción de IA.
7. "Hello, is this Anna?": Unpacking the Lifecycle of Pig-Butchering Scams
arXiv · Rajvardhan Oak, Zubair Shafiq · Seguridad de sistemas y software
En breve: Entrevistas con 26 víctimas reconstruyen las fases de las estafas pig-butchering, del romance a las falsas inversiones.
Las estafas pig-butchering combinan relación sentimental, fraude de inversión e ingeniería social. El primer análisis cualitativo, basado en entrevistas con 26 víctimas, describe un ciclo organizado: confianza construida poco a poco, plataformas financieras falsas, rendimientos inventados y presión repetida. Las víctimas quedan más expuestas a nuevas estafas. Se proponen puntos de intervención.
Por qué importa. Las pérdidas crecen por etapas, así que los bancos tienen más de una ocasión de intervenir: importa para coberturas de fraude y guías al cliente.
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. · Seguridad de sistemas y software
En breve: Las competiciones eCTF de MITRE muestran por qué los sistemas con microcontrolador siguen siendo difíciles de proteger.
Los microcontroladores gobiernan vehículos, dispositivos médicos y plantas. Analizando los diseños de los equipos en el eCTF de MITRE de 2023 y 2024 y entrevistando a los participantes, el estudio halla obstáculos conceptuales y prácticos: quien viene de los microprocesadores no conoce los ataques específicos, Rust tiene poco soporte y las fuentes de entropía débiles minan la criptografía.
Por qué importa. Los fallos nacen en el desarrollo y se repiten entre fabricantes: para el riesgo de producto y la responsabilidad civil cuenta la madurez de los procesos del proveedor.
Las tendencias del mes
Criptografía
173 artículos del mes sobre este tema
Con 173 artículos, la criptografía es el segundo tema del mes, y los dos trabajos elegidos comparten un mensaje: el algoritmo es sólido, la implementación no. Kyber, recién estandarizado como ML-KEM, filtraba la clave en su código de referencia, y las copias cifradas de cinco productos populares revelan información por la deduplicación.
Artículos citados:
- KyberSlash: Exploiting secret-dependent division timings in Kyber implementations
- Breaking and Fixing Content-Defined Chunking
Privacidad
67 artículos del mes sobre este tema
La privacidad pasa por componentes que el usuario no ve. Los asistentes de IA del navegador envían páginas enteras a servidores y rastreadores, los SDK de escaneo inalámbrico deducen la ubicación y vinculan identificadores, y en la inferencia colaborativa de LLM las activaciones revelan el prompt. En todos los casos el dato sale por una pieza de terceros añadida por comodidad.
Artículos citados:
- 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
Seguridad de IA y LLM
201 artículos del mes sobre este tema
Con 201 artículos, la seguridad de la IA sigue siendo el primer tema. Junto a los ataques crecen los sistemas de control: ShieldAgent convierte documentos de política en reglas verificables sobre las acciones de los agentes, un enfoque más cercano a la gestión del cumplimiento que a los filtros de contenido.
Artículos citados:
- ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
- Prompt Inversion Attack against Collaborative Inference of Large Language Models
Cómo se elabora este digest
Este número forma parte del archivo del digest, reconstruido a posteriori. Los artículos del mes se recopilaron de arXiv, del archivo IACR ePrint y de las principales conferencias y revistas de seguridad; en la selección cuentan también las citas recibidas tras la publicación. Un modelo de inteligencia artificial evaluó a los candidatos y redactó los resúmenes, que se basan en los abstracts: para los detalles, prevalece el artículo original.
Artículos del mes evaluados: 1414.