RICERCA
Marzo 2025: KyberSlash, backup cifrati che rivelano i dati, assistenti AI che tracciano
Marzo 2025 riporta l'attenzione sull'implementazione. Il codice di riferimento di Kyber perdeva la chiave con i tempi di divisione, e cinque software di backup cifrato rivelano il contenuto tramite la suddivisione in blocchi. Gli assistenti AI per browser inviano pagine intere ai server, gli SDK Bluetooth e Wi-Fi tracciano la posizione e le truffe pig-butchering si raccontano dalle vittime.
Archivio: ricostruzione scritta a 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. · Crittografia post-quantistica
In breve: Due vulnerabilità di temporizzazione nel codice di riferimento di Kyber (ML-KEM) permettono di recuperare la chiave segreta.
KyberSlash1 e KyberSlash2 sfruttano divisioni con tempi dipendenti dal segreto in diverse implementazioni di Kyber, incluso il codice di riferimento dello standard ML-KEM. Su Raspberry Pi 2 e Cortex-M4 la chiave si recupera in minuti o in poche ore. Le librerie sono state corrette e una versione modificata di Valgrind ha trovato altri casi su oltre 1.000 implementazioni.
Perché conta. Anche il codice di riferimento di uno standard post-quantum può contenere errori sfruttabili: gli aggiornamenti delle librerie crittografiche vanno seguiti come quelli di sicurezza.
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. · Crittografia
In breve: Borg, Restic e Tarsnap: la suddivisione in blocchi dei backup cifrati lascia ricostruire chiave e contenuti.
I software di backup deduplicano i dati spezzandoli in blocchi in base al contenuto; per evitare fughe, mescolano una chiave nel processo. Gli autori recuperano questa chiave in cinque schemi usati da Borg, Bupstash, Duplicacy, Restic e Tarsnap, con capacità deboli di testo noto o scelto, e mostrano attacchi completi su Borg, Restic e Tarsnap. Propongono una costruzione dimostrabilmente sicura.
Perché conta. La cifratura dei backup è un controllo richiesto spesso: questo lavoro mostra che va verificato anche come il prodotto deduplica, non solo l'algoritmo dichiarato.
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 e mobile
In breve: I dieci assistenti AI per browser più diffusi inviano pagine intere, a volte anche i moduli compilati, ai loro server.
Lo studio analizza traffico e comportamento delle dieci estensioni di assistenti AI per browser più popolari. Usano API lato server, invocabili anche senza azione dell'utente, e inviano il contenuto della pagina, spesso l'intero DOM e talvolta i dati inseriti nei moduli. Alcune condividono identificativi e prompt con tracker terzi come Google Analytics, anche su pagine con dati sanitari.
Perché conta. Un'estensione installata da un dipendente può trasferire a terzi dati di clienti e pazienti: è un rischio di violazione della privacy fuori dal controllo dell'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. · Sicurezza di rete
In breve: L'86% delle app con SDK di scansione Bluetooth e Wi-Fi raccoglie dati sensibili, posizione inclusa.
Le scansioni Bluetooth e Wi-Fi trovano periferiche e reti, ma rivelano anche la posizione, per esempio tramite i beacon nei negozi. La prima analisi sistematica di 52 SDK di scansione mostra che l'86% delle app che li integrano raccoglie almeno un dato sensibile, come identificativi, email e coordinate GPS, con ampia condivisione tra SDK e collegamento di identificativi.
Perché conta. Chi pubblica un'app risponde anche delle librerie di terzi che vi include: la raccolta nascosta di posizione è un rischio regolatorio 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.
In breve: Nell'inferenza collaborativa degli LLM, un partecipante malevolo ricostruisce i prompt dalle attivazioni ricevute.
Per ridurre i costi, alcune piattaforme distribuiscono gli strati di un LLM sulle GPU di più utenti, che si passano le attivazioni intermedie. Il prompt inversion attack mostra che un partecipante malevolo può ricostruire il prompt di input da queste attivazioni: prima ottimizza gli embedding con un vincolo legato al modello, poi recupera i token con calibrazione e ipotesi semantiche.
Perché conta. Distribuire il calcolo su macchine di terzi significa distribuire anche i dati: chi usa queste piattaforme non deve inviarvi informazioni riservate.
6. ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
arXiv · Zhaorun Chen, Mintong Kang, Bo Li · Policy, diritto e società
In breve: ShieldAgent controlla le azioni di altri agenti AI rispetto a regole estratte da documenti di policy.
Gli agenti autonomi restano vulnerabili a istruzioni malevole e le protezioni dei chatbot non si adattano alle loro azioni. ShieldAgent estrae regole verificabili dai documenti di policy e controlla la traiettoria dell'agente protetto con ragionamento logico e verifica formale. Sul nuovo benchmark di 3.000 casi supera i metodi precedenti dell'11,3% in media, con recall del 90,1%.
Perché conta. Tradurre le policy aziendali in controlli automatici sulle azioni degli agenti è il tipo di presidio che rende un'adozione dell'AI valutabile.
7. "Hello, is this Anna?": Unpacking the Lifecycle of Pig-Butchering Scams
arXiv · Rajvardhan Oak, Zubair Shafiq · Sicurezza di sistemi e software
In breve: Le interviste a 26 vittime ricostruiscono le fasi delle truffe pig-butchering, tra relazione e falsi investimenti.
Le truffe pig-butchering uniscono finto amore, frode sugli investimenti e ingegneria sociale. La prima analisi qualitativa, su interviste a 26 vittime, descrive un ciclo organizzato: fiducia costruita per gradi, piattaforme false, rendimenti inventati e pressioni ripetute. Le vittime diventano più esposte a truffe successive. Lo studio indica dove social e banche possono intervenire.
Perché conta. Le perdite crescono per tappe, quindi le banche hanno più di un'occasione per intervenire: è rilevante per le coperture contro la frode e per le linee guida ai clienti.
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. · Sicurezza di sistemi e software
In breve: Le gare eCTF di MITRE mostrano perché i sistemi a microcontrollore restano difficili da rendere sicuri.
I microcontrollori governano veicoli, dispositivi medici e impianti. Analizzando i progetti delle squadre all'eCTF di MITRE 2023 e 2024 e intervistando i partecipanti, lo studio trova ostacoli concettuali e pratici: chi viene dai sistemi a microprocessore non conosce gli attacchi specifici, Rust è poco supportato sui microcontrollori e fonti di entropia scadenti indeboliscono la crittografia.
Perché conta. I difetti nascono in fase di sviluppo e si ripetono tra produttori: per i rischi di prodotto e responsabilità civile conta la maturità dei processi del fornitore.
Le tendenze del mese
Crittografia
173 paper del mese su questo tema
Con 173 paper la crittografia è il secondo tema del mese, e i due lavori scelti hanno lo stesso messaggio: l'algoritmo è solido, l'implementazione no. Kyber, appena standardizzato come ML-KEM, perdeva la chiave nel codice di riferimento, e i backup cifrati di cinque prodotti diffusi rivelano informazioni tramite la deduplicazione.
Paper citati:
- KyberSlash: Exploiting secret-dependent division timings in Kyber implementations
- Breaking and Fixing Content-Defined Chunking
Privacy
67 paper del mese su questo tema
La privacy passa per componenti che l'utente non vede. Gli assistenti AI nel browser inviano intere pagine ai server e a tracker terzi, gli SDK di scansione wireless ricavano la posizione e collegano identificativi, e nell'inferenza collaborativa degli LLM le attivazioni scambiate rivelano il prompt. In tutti i casi il dato esce tramite un pezzo di terzi integrato per comodità.
Paper citati:
- 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
Sicurezza di AI e LLM
201 paper del mese su questo tema
Con 201 paper la sicurezza dell'AI resta il primo tema. Accanto agli attacchi crescono i sistemi di controllo: ShieldAgent traduce documenti di policy in regole verificabili sulle azioni degli agenti, un approccio più vicino a come un'azienda gestisce la conformità che ai filtri sui contenuti.
Paper citati:
- ShieldAgent: Shielding Agents via Verifiable Safety Policy Reasoning
- Prompt Inversion Attack against Collaborative Inference of Large Language Models
Come nasce questo digest
Questo numero fa parte dell'archivio del digest, ricostruito a posteriori. I paper del mese sono stati raccolti da arXiv, dall'archivio IACR ePrint e dalle principali conferenze e riviste di sicurezza; nella scelta contano anche le citazioni ricevute dopo l'uscita. Un modello di intelligenza artificiale ha valutato i candidati e scritto le sintesi, che si basano sugli abstract: per i dettagli fa fede il paper originale.
Paper del mese valutati: 1414.