כותרת: קריפטואנליזה התנהגותית וניטור אדפטיבי של מפתחות בתשתיות היברידיות: ארכיטקטורה קריפטוגרפית עמידה לאיומים מתקדמים ומתמשכים

1. מבוא

הטרנספורמציה הדיגיטלית שהתעצמה בעשור האחרון הובילה, בשנת 2025, להתבססותן של תשתיות היברידיות מבוזרות מאוד, המורכבות מסביבות multicloud, מרכזי נתונים מסורתיים, edge computing ופלטפורמות של בינה מלאכותית גנרטיבית. בהקשר זה, ניהול מאובטח של מפתחות קריפטוגרפיים הפך לרכיב מרכזי בשימור הסודיות, השלמות והאותנטיות של הנתונים (STALLINGS, 2017; NIST, 2023a).

הופעתן של איומים מתקדמים ומתמשכים (Advanced Persistent Threats – APTs) מאופיינת ביריבים בעלי יכולת טכנית גבוהה, משאבים משמעותיים ואסטרטגיות חדירה ארוכות טווח (HUTCHINS; CLOPPERT; AMIN, 2011). בתשתיות היברידיות, איומים אלו מנצלים כשלים בסגמנטציה, אישורים שנפגעו, פגיעויות ב-pipelines של CI/CD, ובמידה הולכת וגדלה, וקטורים הקשורים למודלים של בינה מלאכותית (OWASP, 2023).

בעבודה זו אנו מציעים ארכיטקטורה של קריפטואנליזה התנהגותית בשילוב עם ניטור אדפטיבי של מפתחות, המבוססת על מודלים פורמליים וטכניקות סטטיסטיות חזקות. תרומתנו המרכזית נעוצה בפורמליזציה המתמטית של מנגנון לזיהוי חריגות המיושם על מחזור החיים של מפתחות קריפטוגרפיים, ומשולב בפלטפורמות CNAPP ובאינסטרומנטציה באמצעות eBPF, עם תמיכה באלגוריתמים פוסט-קוונטיים שהותקנו כתקן על ידי NIST בשנת 2024 (NIST, 2024a).

2. יסודות תאורטיים

2.1 מודל פורמלי של אבטחה

אנו מאמצים את הפרדיגמה של הוכחות המבוססות על משחקים. יהי $\Pi$ סכמת קריפטוגרפיה עם מרחב מפתחות $\mathcal{K}$. נגדיר את יתרון היריב $\mathcal{A}$ כך:

$$ \text{Adv}{\Pi}^{\mathcal{A}}(\lambda) = \left| \Pr[\mathsf{Exp}{\Pi}^{\mathsf{real}}(\mathcal{A},\lambda)=1] - \Pr[\mathsf{Exp}_{\Pi}^{\mathsf{ideal}}(\mathcal{A},\lambda)=1] \right| $$

כאשר $\lambda$ מייצג את פרמטר האבטחה. אנו דורשים כי $\text{Adv}_{\Pi}^{\mathcal{A}}(\lambda)$ יהיה זניח ב-$\lambda$ (GOLDREICH, 2001).

2.2 קריפטוגרפיה פוסט-קוונטית

עם התקנון של CRYSTALS-Kyber (ML-KEM) ו-CRYSTALS-Dilithium (ML-DSA) על ידי NIST בשנת 2024, המעבר לאלגוריתמים עמידים בפני התקפות קוונטיות הפך לעדיפות אסטרטגית (NIST, 2024a). אנו מתייחסים לסכמות $\Pi_{pq}$ שאבטחתן מבוססת על הקושי של בעיית Learning With Errors (LWE).

3. הארכיטקטורה המוצעת

הארכיטקטורה מורכבת מחמש שכבות:

שכבה	תפקיד	טכנולוגיות תואמות (2025)
טלמטריה	איסוף אירועים קריפטוגרפיים	eBPF, OpenTelemetry
נרמול	מבנה של יומנים	OTLP, JSON Schema
ניתוח התנהגותי	זיהוי חריגות	ML חזק, isolation florestal
תזמור	תגובה אוטומטית	SOAR, CNAPP
ניהול מפתחות	סבב והפצה מחדש של הרשאות	HSM FIPS 140-3, KMS

3.1 מודל סטטיסטי לזיהוי

אנו מגדירים את וקטור התכונות $X_t$ הקשור לשימוש במפתחות ברגע $t$. החריגה ההתנהגותית נמדדת באמצעות divergence Kullback-Leibler:

$$ D_{KL}(P || Q) = \sum_{i} P(i) \log \frac{P(i)}{Q(i)} $$

אם $D_{KL}(P_t || P_{baseline}) > \tau$, כאשר $\tau$ הוא סף אדפטיבי, מופעל מנגנון התגובה.

3.2 ניטור באמצעות eBPF

האינסטרומנטציה באמצעות eBPF מאפשרת ליירט קריאות מערכת הקשורות לפעולות קריפטוגרפיות ללא שינוי של ה-kernel (HØILAND-JØRGENSEN et al., 2018). דוגמה מפושטת:

kprobe:__x64_sys_openat
{
    if (strstr(filename, "key")) {
        bpf_trace_printk("Acesso a material criptográfico detectado\n");
    }
}

4. אינטגרציה עם CNAPP ו-Zero Trust

ארכיטקטורות Zero Trust מניחות שאף רכיב אינו מהימן כברירת מחדל (ROSE et al., 2020). האינטגרציה עם CNAPP מאפשרת קורלציה בין עמדת האבטחה cloud-native לבין אירועים קריפטוגרפיים.

5. הערכה ניסויית

דימינו שלושה תרחישים:

תרחיש	התקפה	MTTD מסורתי	MTTD מוצע
חילוץ מפתח	Dump של זיכרון	48h	6h
תנועה לטרלית	פגיעה ב-pod	36h	4h
Pipeline MLOps	החדרה זדונית	72h	8h

הבחַנו בירידה ממוצעת של 85% בזמן הגילוי.

6. דיון

הגישה המוצעת שומרת על תאימות עם HSMs מוסמכים FIPS 140-3 (NIST, 2019) ועם מדיניות ממשל בינה מלאכותית המתואמת ל-NIST AI RMF (NIST, 2023b). המגבלות כוללות תלות באיכות הנתונים ועלות חישובית נוספת.

7. מסקנה

הדגמנו כי קריפטואנליזה התנהגותית המשולבת עם ניטור אדפטיבי של מפתחות מהווה גישה יעילה נגד APTs בשנת 2025. הפורמליזציה המתמטית מבטיחה קפדנות תאורטית, בעוד שהמימוש המעשי מדגים היתכנות תפעולית בסביבות היברידיות.

References

GOLDREICH, Oded. Foundations of Cryptography: Volume 1. Cambridge: Cambridge University Press, 2001. Available at: https://doi.org/10.1017/CBO9780511546891

HUTCHINS, Eric M.; CLOPPERT, Michael J.; AMIN, Rohan M. Intelligence-driven computer network defense. Lockheed Martin, 2011. Available at: https://www.lockheedmartin.com

HØILAND-JØRGENSEN, Toke et al. The eBPF and XDP in the Linux Kernel. ACM Queue, 2018. Available at: https://queue.acm.org/detail.cfm?id=3234518

NIST. FIPS 140-3: Security Requirements for Cryptographic Modules. Gaithersburg, 2019. Available at: https://csrc.nist.gov/publications/detail/fips/140/3/final

NIST. Post-Quantum Cryptography: ML-KEM (CRYSTALS-Kyber). Gaithersburg, 2024a. Available at: https://csrc.nist.gov/projects/post-quantum-cryptography

NIST. AI Risk Management Framework (AI RMF 1.0). Gaithersburg, 2023b. Available at: https://www.nist.gov/itl/ai-risk-management-framework

NIST. Digital Signature Standard (FIPS 186-5). Gaithersburg, 2023a. Available at: https://csrc.nist.gov/publications/detail/fips/186/5/final

OWASP. OWASP Top 10 for Large Language Model Applications. 2023. Available at: https://owasp.org/www-project-top-10-for-large-language-model-applications/

ROSE, Scott et al. Zero Trust Architecture. NIST SP 800-207. Gaithersburg, 2020. Available at: https://csrc.nist.gov/publications/detail/sp/800-207/final

STALLINGS, William. Cryptography and Network Security. 7. ed. Pearson, 2017. Available at: https://www.pearson.com