从EUROCRYPT 2026的AI找线索到经典做验证：积分密码分析与侧信道测评的算力工作站怎么选（含GLM-4.5-Air本地部署方案）

UltraLAB Max F
2026-09-28

阅读量: 78

一场”筛沙找矿”的变革：AI走进密码分析

2026年5月，西安电子科技大学密码学院与空天地一体化综合业务网全国重点实验室（ISN）联合团队的一项成果被国际密码学顶级会议EUROCRYPT 2026录用。据西部网2026年6月报道，该校网络安全与密码学部王子龙教授团队把人工智能融入密码分析工作，走出了”AI找线索、经典做验证”的融合路线。

这项研究瞄准的是密码学里一块硬骨头：积分密码分析。传统方法需要在庞大的搜索空间里逐一验证候选区分器，工作量巨大、效率极低——团队博士生张柳把它比作”用一个普通筛子在沙海里筛沙，筛孔太粗找不出真漏洞，筛孔太细又慢到没法用”。此前也有研究者尝试把AI直接套用在密码分析上，但大多停留在黑盒式应用：AI能给出结果，却说不出为什么，更无法与严谨的经典分析方法衔接，难以真正用于安全评估。

王子龙团队的做法是让AI当”智能扫描仪”，从海量数据中快速锁定可疑区域，再让经典密码分析方法充当”专业鉴定仪”，对线索进行严格验证和形式化解释。以分组密码算法SKINNY为例，该方法在独立轮密钥与全状态XOR轮密钥假设下，把密钥无关积分区分器推进至理论上界；基于可解释的神经区分器构造出更强的积分密钥恢复攻击，在单可调密钥设置下实现了SKINNY-n-n的16轮攻击，较已有最好结果提升2轮，并首次提出SKINNY-n-2n的18轮攻击和SKINNY-n-3n的20轮攻击。根据该校发布的信息，这是国际上首个基于智能方法改进经典密码分析并实现密钥恢复轮数提升的工作，也是我国智能密码分析方向首次在欧洲、美国密码学顶级会议上发表的研究成果。

这场变革的底牌，是这所学校在密码领域的深厚积累：其网络空间安全学科在软科排名中持续保持第一，也是我国最早设立密码学博士点的高校（据科技日报2026年3月报道）。而放在更大的图景里看，AI辅助密码分析的诞生意味着一件事——密码研究的算力需求结构正在改变：既要跑经典分析的数值计算，又要支撑深度学习模型的训练与推理。课题组的机器该怎么配，成了一个绕不开的问题。

技术擂台：密码分析方向的三组对决

密码算法与实现方向的课题组，常见的纠结可以拆成三组对比。下面逐组过招。

Round 1：人工数学推导 vs AI辅助分析

维度	纯人工经典分析	AI辅助分析
搜索效率	候选空间指数级，人工逐一验证	神经网络批量筛选可疑区分器
结果可解释性	严格数学证明，可直接投稿顶会	需转译为经典方法验证后才严谨
上手门槛	要求深厚的密码学功底	编程与机器学习基础即可入门
典型场景	小型算法的手动破译	大规模区分器搜索、积分迹分析

结论很清楚：AI目前替代不了经典分析，但能把”筛沙”环节的耗时从数月压缩到数小时到数天。西电团队这篇EUROCRYPT 2026论文的价值正在于，它给出了让两者无缝衔接的工程路径。

Round 2：经典数值工具链 vs 深度学习工具链

维度	经典工具链（SageMath、SAT/SMT求解器）	深度学习工具链（PyTorch、JAX）
计算特征	符号运算+约束求解，吃单核与内存	矩阵运算密集，吃GPU张量算力
侧信道场景	传统DPA/CPA统计脚本即可	卷积网络、模板攻击需要训练推理
波形数据处理	万级轨迹的统计分析	百万级轨迹的批量学习与降噪
硬件侧重	高频CPU+大内存	大显存GPU+高带宽显存

结论：两条工具链不是二选一的关系。做算法安全性推导离不开经典工具，做侧信道与智能密码分析离不开深度学习框架，一台机器最好两头都照顾到。

Round 3：CPU数值计算 vs GPU加速

维度	CPU多核并行	GPU加速
适用负载	符号运算、串行依赖强的推导	波形矩阵批处理、神经网络训练
显存/内存需求	大内存（波形数据可达数百GB）	大显存（模型本体+KV cache）
成本曲线	核心数线性堆叠，成本近似线性涨	单卡性能密度高，中端卡性价比高
体验差距	百万级轨迹的预处理可能要跑一天	同样的活在GPU上十几分钟收工

结论：CPU决定”能不能跑”，GPU决定”跑得多快”。预算有限时，先把内存配足保证不崩，再把显存配够保证模型装得下，最后才考虑旗舰级算力。

密码课题组为什么需要本地部署AI大模型

AI模型正在变成密码课题组的日常工具：文献调研、攻击脚本生成、测评报告起草、S盒性质问答，每天都在消耗大量tokens。为什么强调本地部署？理由很具体：一是数据出不了门——待测评的算法设计稿、功耗与电磁波形、恢复出的密钥片段、未公开的漏洞细节，很多属于受控信息，发给云端API等于把课题核心材料送出实验室；二是长期账本——一个十几人的课题组按API计价，一年费用就抵得上一台工作站；三是离线可用与可定制，保密内网、外场测评现场插上电就能用，LoRA注入领域知识后模型更贴合课题组习惯。

模型选型上，两款开源模型值得点名：Qwen2.5-32B-Instruct，阿里云2024年9月开源，参数量325亿，128K上下文，通用与代码能力均衡，适合作课题组全能助手；GLM-4.5-Air，智谱2025年7月开源的MoE模型，总参数1060亿、激活120亿，智能体与推理能力突出，适合搭建自动化文献挖掘与测评流程代理。

显存估算公式：所需显存约等于参数量（B）乘以量化字节数再乘以1.2（KV cache与系统开销预留系数）；FP16每参数占2字节，Q8占1字节，Q4占0.5字节。

算例一：Qwen2.5-32B-Instruct做Q4推理，32乘以0.5乘以1.2约等于19GB，算上长文档上下文余量，24GB显存是舒适线；同模型FP16需64GB起步。
算例二：GLM-4.5-Air是MoE架构，显存按总参数量算，106乘以0.5乘以1.2约等于64GB——激活参数小省的是算力不是显存；Q8约127GB，FP16约254GB。

量化三档怎么取舍：FP16无损但显存翻倍；Q8接近无损；Q4体积减半、多数生成任务中精度损失感知不强，是消费级显卡的默认选择。解码速度由显存带宽决定，CPU纯内存推理只有个位数tokens每秒，单卡GPU可达几十到上百——这就是为什么要工作站而不是办公电脑。

最后区分推理与微调：LoRA轻量化微调显存增量不大，14B模型约增加3到5GB；全参数微调则数倍于推理，7B模型全参数微调就需要80GB以上。这个差距决定了配置档位能往上探多远。

密码研究的主要软件工具

ChipWhisperer：开源侧信道分析平台，集成了目标板、采集硬件与基于Jupyter的分析软件，覆盖功耗分析、电磁分析与故障注入，是侧信道方向入门和科研的主力工具。
SageMath：开源数学计算系统，覆盖有限域运算、布尔函数分析与代数攻击原型验证，是密码分析推导的瑞士军刀。
PyTorch与JAX：深度学习工具链，用于训练神经区分器、搭建模板攻击模型，以及复现AI辅助密码分析论文中的实验。
GmSSL：支持国密算法（SM2、SM3、SM4等）的开源密码库，做国密算法实现与测评绕不开它。
PyCryptodome：Python经典密码学库，适合快速实现AES、RSA等算法的教学与原型实验。