RECHERCHE
Mars 2025 : KyberSlash, sauvegardes chiffrées qui fuient, assistants IA qui pistent
Mars 2025 ramène l'attention sur l'implémentation. Le code de référence de Kyber laissait fuir la clé par les temps de division, et cinq outils de sauvegarde chiffrée révèlent le contenu par leur découpage. Les assistants IA de navigateur envoient des pages entières à leurs serveurs, les SDK Bluetooth et Wi-Fi pistent la position et les victimes racontent les arnaques pig-butchering.
Archives : reconstitution rédigée en novembre 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. · Cryptographie post-quantique
En bref: Deux failles de temporisation dans le code de référence de Kyber (ML-KEM) permettent de retrouver la clé secrète.
KyberSlash1 et KyberSlash2 exploitent des divisions au temps dépendant du secret dans plusieurs implémentations de Kyber, dont le code de référence de la norme ML-KEM. Sur Raspberry Pi 2 et Cortex-M4, la clé est retrouvée en minutes ou en quelques heures. Les bibliothèques ont été corrigées et un Valgrind modifié a trouvé d'autres cas sur plus de 1 000 implémentations.
Pourquoi c'est important. Même le code de référence d'une norme post-quantique peut contenir des failles : les mises à jour cryptographiques se suivent comme des correctifs de sécurité.
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. · Cryptographie
En bref: Borg, Restic et Tarsnap : le découpage des sauvegardes chiffrées permet de retrouver la clé et le contenu.
Les outils de sauvegarde dédupliquent en découpant les données selon leur contenu et y mêlent une clé contre les fuites. Les auteurs retrouvent cette clé dans cinq schémas utilisés par Borg, Bupstash, Duplicacy, Restic et Tarsnap, avec de faibles capacités de texte connu ou choisi, et montrent des attaques complètes sur Borg, Restic et Tarsnap. Ils proposent une construction prouvée sûre.
Pourquoi c'est important. Le chiffrement des sauvegardes est un contrôle souvent exigé : il faut aussi vérifier comment le produit déduplique, pas seulement l'algorithme annoncé.
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 et mobile
En bref: Les dix assistants IA de navigateur les plus populaires envoient des pages entières, parfois des formulaires, à leurs serveurs.
L'étude analyse le trafic et le comportement des dix extensions d'assistant IA les plus populaires. Elles utilisent des API serveur, déclenchables sans action de l'utilisateur, et envoient le contenu de la page, souvent le DOM complet et parfois les saisies de formulaires. Certaines partagent identifiants et prompts avec des traceurs tiers comme Google Analytics, même avec des données de santé.
Pourquoi c'est important. Une extension installée par un salarié peut transmettre à des tiers des données de clients ou de patients : un risque de violation hors du contrôle de l'IT.
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. · Sécurité réseau
En bref: 86% des apps intégrant des SDK de scan Bluetooth et Wi-Fi collectent des données sensibles, dont la position.
Les scans Bluetooth et Wi-Fi servent à trouver périphériques et réseaux, mais révèlent aussi la position, par exemple via les balises des centres commerciaux. La première analyse systématique de 52 SDK de scan montre que 86% des apps qui les intègrent collectent au moins une donnée sensible, comme identifiants, e-mail et GPS, avec un large partage entre SDK et un pont entre identifiants.
Pourquoi c'est important. L'éditeur d'une app répond aussi des bibliothèques tierces qu'il intègre : la collecte cachée de position est un risque réglementaire concret.
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 bref: En inférence collaborative de LLM, un participant malveillant reconstruit les prompts à partir des activations reçues.
Pour réduire les coûts, certaines plateformes répartissent les couches d'un LLM sur les GPU de plusieurs utilisateurs, qui se passent les activations intermédiaires. Le prompt inversion attack montre qu'un participant malveillant peut en reconstruire le prompt d'entrée : il optimise d'abord les embeddings sous une contrainte du modèle, puis retrouve les tokens par calibration.
Pourquoi c'est important. Répartir le calcul sur des machines tierces, c'est aussi répartir les données : ces plateformes ne doivent pas recevoir d'informations confidentielles.
6. ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
arXiv · Zhaorun Chen, Mintong Kang, Bo Li · Politiques, droit et société
En bref: ShieldAgent contrôle les actions d'autres agents IA au regard de règles extraites de documents de politique.
Les agents autonomes restent vulnérables aux instructions malveillantes et les garde-fous des chatbots ne conviennent pas à leurs actions. ShieldAgent extrait des règles vérifiables des documents de politique et contrôle la trajectoire de l'agent protégé par raisonnement logique et vérification formelle. Sur un nouveau benchmark de 3 000 cas, il bat les méthodes antérieures de 11,3% en moyenne.
Pourquoi c'est important. Traduire les politiques de l'entreprise en contrôles automatiques des actions des agents rend un déploiement d'IA évaluable.
7. "Hello, is this Anna?": Unpacking the Lifecycle of Pig-Butchering Scams
arXiv · Rajvardhan Oak, Zubair Shafiq · Sécurité des systèmes et logiciels
En bref: Des entretiens avec 26 victimes retracent les phases des arnaques pig-butchering, de la romance aux faux placements.
Les arnaques pig-butchering combinent relation amoureuse, fraude à l'investissement et ingénierie sociale. La première analyse qualitative, fondée sur des entretiens avec 26 victimes, décrit un cycle organisé : confiance bâtie par étapes, fausses plateformes financières, rendements inventés et pression répétée. Les victimes deviennent plus exposées aux arnaques suivantes.
Pourquoi c'est important. Les pertes croissent par étapes, les banques ont donc plus d'une occasion d'agir : utile pour les garanties fraude et l'information des clients.
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. · Sécurité des systèmes et logiciels
En bref: Les compétitions eCTF de MITRE montrent pourquoi les systèmes à microcontrôleur restent difficiles à sécuriser.
Les microcontrôleurs pilotent véhicules, dispositifs médicaux et usines. En analysant les conceptions des équipes de l'eCTF de MITRE 2023 et 2024 et en interrogeant les participants, l'étude trouve des obstacles conceptuels et pratiques : qui vient des microprocesseurs ignore les attaques propres, Rust y est peu pris en charge et des sources d'entropie faibles fragilisent la cryptographie.
Pourquoi c'est important. Les défauts naissent au développement et se répètent entre fabricants : pour le risque produit et la responsabilité civile, la maturité des processus du fournisseur compte.
Les tendances du mois
Cryptographie
173 articles du mois sur ce thème
Avec 173 articles, la cryptographie est le deuxième thème du mois, et les deux travaux retenus disent la même chose : l'algorithme est solide, l'implémentation non. Kyber, tout juste normalisé sous le nom ML-KEM, laissait fuir la clé dans son code de référence, et les sauvegardes chiffrées de cinq produits répandus révèlent de l'information par la déduplication.
Articles cités:
- KyberSlash: Exploiting secret-dependent division timings in Kyber implementations
- Breaking and Fixing Content-Defined Chunking
Vie privée
67 articles du mois sur ce thème
La vie privée passe par des composants que l'utilisateur ne voit pas. Les assistants IA de navigateur envoient des pages entières aux serveurs et aux traceurs, les SDK de scan sans fil déduisent la position et relient les identifiants, et en inférence collaborative de LLM les activations échangées révèlent le prompt. Chaque fois, la donnée sort par une brique tierce ajoutée par commodité.
Articles cités:
- 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
Sécurité de l'IA et des LLM
201 articles du mois sur ce thème
Avec 201 articles, la sécurité de l'IA reste le premier thème. À côté des attaques se développent des systèmes de contrôle : ShieldAgent traduit les documents de politique en règles vérifiables sur les actions des agents, une approche plus proche de la gestion de la conformité que des filtres de contenu.
Articles cités:
- ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
- Prompt Inversion Attack against Collaborative Inference of Large Language Models
Comment ce digest est réalisé
Ce numéro fait partie des archives du digest, reconstituées a posteriori. Les articles du mois ont été collectés depuis arXiv, l'archive IACR ePrint et les principales conférences et revues de sécurité ; la sélection tient aussi compte des citations reçues depuis la publication. Un modèle d'intelligence artificielle a évalué les candidats et rédigé les synthèses, qui reposent sur les abstracts : pour les détails, l'article original fait foi.
Articles du mois évalués : 1414.