رفتن به محتوای اصلی
· 7 دقیقه مطالعه· در فناوری

هوش مصنوعی دیپ‌مایند امنیت کدهای پروتکل سیگنال را از نظر ریاضی اثبات کرد

پژوهشگران گوگل دیپ‌مایند با استفاده از چارچوب جدیدی به نام آلفاپروف کد، برای نخستین بار امنیت کدهای رمزنگاری پروتکل سیگنال را به‌طور رسمی تایید کردند. این دستاورد بزرگ، استاندارد جدیدی در تایید نرم‌افزارهای امنیتی ایجاد می‌کند.

به قلم کاوان رامین

این خبر را به اشتراک بگذارید

گوش‌ دهید

شرکت گوگل دیپ‌مایند در دهم نوامبر ۲۰۲۶ از یک دستاورد تاریخی در زمینه امنیت نرم‌افزار پرده برداشت. این شرکت با معرفی چارچوب جدیدی به نام «آلفاپروف کد» (AlphaProof Code)، توانست برای نخستین بار کدهای پایه پروتکل سیگنال را با استفاده از عوامل هوش مصنوعی به‌طور رسمی و ریاضی تایید کند.[1]

پروتکل سیگنال، فناوری رمزنگاری پیشرفته‌ای است که میلیاردها پیام خصوصی را در پیام‌رسان‌هایی مانند سیگنال، واتس‌اپ و گوگل مسیجز محافظت می‌کند. تایید امنیت این پروتکل در سطح کدهای ماشین، همواره یکی از چالش‌های بزرگ و دست‌نیافتنی در مهندسی نرم‌افزار و امنیت سایبری به شمار می‌رفت.[1][2]

تایید رسمی (Formal Verification) به معنای اثبات ریاضی این موضوع است که یک کد نرم‌افزاری بدون هیچ‌گونه نقص یا خطایی اجرا می‌شود. این روش بالاترین استاندارد اطمینان امنیتی را ارائه می‌دهد، اما به دلیل پیچیدگی و نیاز به نیروی کار متخصص فراوان، تاکنون تنها برای بخش‌های کوچکی از نرم‌افزارها قابل انجام بود.[1]

مکانیزم تایید رسمی با هوش مصنوعی

چارچوب آلفاپروف کد یک سیستم چندعاملی (Multi-agent) است که کار تایید رسمی را دقیقاً مانند یک تیم تحقیقاتی انسانی تقسیم می‌کند. در این سیستم، متخصصان انسانی با هوش مصنوعی برای تعیین اهداف اثبات همکاری می‌کنند و سپس گروهی از عوامل هوشمند وظیفه انجام محاسبات و اثبات‌های ریاضی را بر عهده می‌گیرند.[1][3]

در این پروژه، پژوهشگران دیپ‌مایند از مدل‌های زبانی پیشرفته‌ای مانند «جمینای ۴ کربن» (Gemini 4 Carbon) و «کلود اوپوس ۵.۵» (Claude Opus 5.5) برای پیش‌نویس و بررسی مشخصات استفاده کردند. این عوامل هوشمند، اهداف امنیتی سیگنال را به مشخصات ریاضی دقیق ترجمه کردند و انسان‌ها تایید نهایی هر یک را انجام دادند.[2][3]

پس از تایید مشخصات، تیم‌هایی متشکل از عوامل جمینای ۴ کربن بیش از ۶.۵ میلیون خط کد اثباتی در زبان «لین» (Lean) تولید کردند. لین یک زبان برنامه‌نویسی و دستیار اثبات است که درستی کدهای تولید شده را از نظر ریاضی بررسی و تایید می‌کند تا هیچ خطای منطقی در فرآیند رخ ندهد.[1][2]

روند کار سیستم چندعاملی آلفاپروف کد برای تولید و بررسی اثبات‌های ریاضی.

این تاییدیه بر روی نسخه مرجع و دست‌نخورده کتابخانه libsignal (نسخه 0.105.4) انجام شد. پژوهشگران این کدها را با استفاده از کامپایلر استاندارد زبان راست (Rust) به کدهای ماشین لینوکس با معماری AArch64 تبدیل کردند تا اثبات‌ها مستقیماً بر روی کدهایی که در دستگاه‌های کاربران اجرا می‌شوند، اعمال گردد.[2][3]

اثبات‌های انجام شده ویژگی‌های امنیتی حیاتی از جمله پنهان‌سازی پیشرو (Forward Secrecy)، احراز هویت، امنیت پس از نفوذ و پنهان‌سازی دست‌دهی (Handshake Secrecy) را پوشش می‌دهند. این ویژگی‌ها تضمین می‌کنند که حتی در صورت دسترسی موقت مهاجم به دستگاه، پیام‌های قبلی و بعدی کاربر همچنان رمزنگاری‌شده و امن باقی می‌مانند.[2]

سرعت بی‌سابقه در برابر روش‌های سنتی

یکی از شگفت‌انگیزترین جنبه‌های این دستاورد، سرعت انجام آن است. یک تیم پنج نفره از پژوهشگران دیپ‌مایند توانستند کل این پروژه عظیم را تنها در مدت چهار هفته به پایان برسانند. در طول این مدت، هیچ‌یک از اعضای انسانی تیم حتی یک خط کد اثباتی ننوشتند و تمام این وظیفه بر دوش هوش مصنوعی بود.[2][3]

برای درک عظمت این سرعت، مقاله فنی دیپ‌مایند به پروژه تایید ریزهسته seL4 اشاره می‌کند که در گذشته نیازمند بیست سال-نفر کار انسانی بود. انجام پروژه‌ای با این سطح از پیچیدگی در کمتر از یک ماه، نشان‌دهنده جهشی خیره‌کننده در توانمندی‌های هوش مصنوعی برای حل مسائل پیچیده مهندسی است.[1][2]

در این فرآیند، عوامل هوشمند به طور خودکار کدهای اثباتی خود را حسابرسی کردند و تنها حدود یک درصد از کل پایگاه کد را برای بررسی مجدد توسط انسان‌ها علامت‌گذاری کردند. این فیلتر هوشمند باعث صرفه‌جویی عظیمی در زمان شد و به متخصصان اجازه داد تا تمرکز خود را تنها بر روی بخش‌های حساس و مبهم قرار دهند.[1][5]

برای اطمینان از صحت کار، یک سیستم دروازه‌بان (Gatekeeper) طراحی شد که اثبات‌ها را تنها در صورتی می‌پذیرفت که هسته مرکزی زبان لین، آن‌ها را در برابر نسخه تایید شده توسط انسان بررسی و تایید می‌کرد. معمولاً بین ۴۰ تا ۸۰ عامل هوشمند به مدت ۲۴ تا ۷۲ ساعت روی یک ماشین برای تولید این اثبات‌ها کار می‌کردند.[2][3]

مقایسه زمان صرف‌شده برای تایید رسمی کدهای پیچیده در روش سنتی و روش مبتنی بر هوش مصنوعی.

راستی‌آزمایی سیستم با باگ‌های قدیمی

پژوهشگران برای اینکه ثابت کنند آلفاپروف کد واقعاً می‌تواند کدهای معیوب را از کدهای سالم تشخیص دهد، یک آزمایش چالش‌برانگیز طراحی کردند. آن‌ها دو باگ واقعی را که در گذشته در کدهای سیگنال وجود داشتند و برطرف شده بودند، دوباره به یک نسخه ایزوله از این نرم‌افزار تزریق کردند.[1][4]

در هر دو مورد، سیستم آلفاپروف کد توانست با موفقیت یک اثبات بررسی‌شده توسط ماشین تولید کند که نشان می‌داد نسخه تغییر یافته ناامن است. این آزمایش ثابت کرد که خط لوله تایید دیپ‌مایند تنها زمانی موفق عمل می‌کند که کدها واقعاً بی‌نقص باشند و در برابر کدهای اشتباه به شدت واکنش نشان می‌دهد.[1][4]

ارن کرت (Ehren Kret)، مدیر ارشد فناوری پیام‌رسان سیگنال، در واکنش به این دستاورد گفت: «استفاده از عوامل هوش مصنوعی برای ترجمه کدهای زنده به قضایای معتبر در زبان لین، یک پیشرفت بزرگ و تاریخ‌ساز است.» او تاکید کرد که تایید رسمی در گذشته تنها به بخش‌های بسیار کوچکی از کد محدود می‌شد.[1][2]

کرت همچنین افزود: «با رشد روزافزون تهدیدات امنیتی مبتنی بر هوش مصنوعی، تایید دقیق و ریاضی پروتکل هسته سیگنال با استفاده از اثبات‌گرهای خودکار، به ما اطمینان بسیار بیشتری می‌دهد که کدهایمان می‌توانند حریم خصوصی کاربران را به بهترین شکل ممکن تضمین کنند.»[1]

محدودیت‌ها و چشم‌انداز آینده

با وجود این موفقیت چشمگیر، پروژه آلفاپروف کد محدودیت‌های مشخصی نیز دارد. اثبات‌های انجام شده در حال حاضر تنها جلسات پیام‌رسانی یک‌به‌یک را پوشش می‌دهند. ویژگی‌های پیچیده‌تری مانند پیام‌رسانی گروهی، تولید کلیدهای رمزنگاری و حملات کانال جانبی (Side-channel attacks) خارج از محدوده این فاز از تحقیقات بوده‌اند.[2][6]

علاوه بر این، اثبات‌های نمادین انجام شده فرض را بر بی‌نقص بودن عملیات رمزنگاری پایه می‌گذارند. این نتایج به هسته زبان لین، توابع اولیه رمزنگاری و قراردادهای برخی از روتین‌هایی که فایل اجرایی فراخوانی می‌کند، اعتماد دارند و نمی‌توان آن‌ها را به عنوان اثبات مستقل برای تک‌تک توابع در نظر گرفت.[2][6]

تصویرسازی: پروتکل سیگنال امنیت میلیاردها پیام خصوصی را در سراسر جهان تامین می‌کند.

این دستاورد در زمانی معرفی می‌شود که صنعت نرم‌افزار به شدت درگیر چالش‌های کدهای تولید شده توسط هوش مصنوعی است. بر اساس نظرسنجی شرکت Qodo در سال ۲۰۲۶، بررسی و اعتبارسنجی کدهای نوشته شده توسط هوش مصنوعی، اصلی‌ترین مانع تحویل نرم‌افزار برای حدود ۲۶ درصد از مدیران مهندسی محسوب می‌شود.[5]

در حالی که ابزارهای روزمره برای بررسی درخواست‌های ادغام (Pull Requests) به قوانین تیمی تکیه دارند، آلفاپروف کد بالاترین سطح از این چالش یعنی تایید رسمی را هدف قرار داده است. این چارچوب نشان می‌دهد که چگونه می‌توان از خود هوش مصنوعی برای مهار و تایید کدهای پیچیده استفاده کرد.[5]

دیپ‌مایند برای شفافیت بیشتر و امکان بررسی توسط سایر متخصصان، تمام توسعه‌های انجام شده در زبان لین، مشخصات تایید شده و کدهای اثباتی را در پلتفرم گیت‌هاب منتشر کرده است. این ۶.۵ میلیون خط کد اثباتی، اکنون در دسترس جامعه جهانی امنیت سایبری قرار دارد.[2][3]

اهمیت این پروژه در گذر از مدل‌های انتزاعی به کدهای کامپایل شده است. در حالی که پژوهشگران دانشگاهی در سال ۲۰۲۴ طراحی پروتکل PQXDH را با ابزارهای خودکار تایید کرده بودند، کار دیپ‌مایند نخستین نمونه‌ای است که تضمین‌های امنیتی سطح پروتکل را مستقیماً به کدهای دست‌نخورده و اجرایی متصل می‌کند.[2][3]

تایید کدهای رمزنگاری سیگنال تنها نقطه آغاز این مسیر است. این فناوری زیربنای لازم برای ایمن‌سازی سایر سیستم‌های حیاتی را فراهم می‌کند. از میان‌افزارهای دستگاه‌های حساس پزشکی گرفته تا نرم‌افزارهای کنترل شبکه‌های برق، همگی می‌توانند در آینده از این سطح از تایید امنیتی بهره‌مند شوند.[1]

این نقطه عطف نشان می‌دهد که چگونه هوش مصنوعی می‌تواند تضمین‌های امنیتی در سطح نخبگان را برای کسب‌وکارها، دولت‌ها و زیرساخت‌های حیاتی به ارمغان بیاورد. در دنیایی که تهدیدات سایبری مبتنی بر عوامل خودمختار در حال افزایش است، داشتن سپرهای دفاعی تایید شده توسط ریاضیات، یک ضرورت اجتناب‌ناپذیر خواهد بود.[1]

این نقطه عطف نشان می‌دهد که چگونه هوش مصنوعی می‌تواند تضمین‌های امنیتی در سطح نخبگان را برای کسب‌وکارها، دولت‌ها و زیرساخت‌های حیاتی به ارمغان بیاورد.

موفقیت آلفاپروف کد نشان می‌دهد که آینده مهندسی نرم‌افزار فراتر از نوشتن سریع‌تر کدهاست و به توانایی اثبات بی‌نقص بودن آن‌ها گره خورده است. این پیشرفت، مرزهای امنیت دیجیتال را جابجا کرده و استاندارد جدیدی برای اعتماد به سیستم‌های نرم‌افزاری در عصر هوش مصنوعی تعریف می‌کند.[1][4]

نکات کلیدی

  • دیپ‌مایند با استفاده از چارچوب آلفاپروف کد، امنیت کدهای اجرایی پروتکل سیگنال را از نظر ریاضی اثبات کرد.
  • این پروژه عظیم با تولید ۶.۵ میلیون خط کد اثباتی در زبان لین، تنها در چهار هفته به پایان رسید.
  • عوامل هوش مصنوعی توانستند باگ‌های قدیمی تزریق شده به کد را با موفقیت شناسایی و ناامن بودن آن‌ها را ثابت کنند.
  • این دستاورد راه را برای تایید رسمی و ایمن‌سازی زیرساخت‌های حیاتی در برابر تهدیدات سایبری هموار می‌کند.

آنچه نمی‌دانیم

  • هنوز مشخص نیست که آیا این چارچوب می‌تواند برای پروتکل‌های پیچیده‌تر با وضعیت‌های چندگانه (مانند پیام‌رسانی گروهی) به همان اندازه کارآمد باشد یا خیر.
  • هزینه محاسباتی و میزان مصرف انرژی برای اجرای ده‌ها عامل هوشمند به مدت چندین روز برای تولید این اثبات‌ها به طور دقیق اعلام نشده است.
  • نحوه ادغام این سطح از تایید رسمی در خطوط لوله یکپارچه‌سازی مداوم (CI/CD) برای نرم‌افزارهایی که به سرعت به‌روزرسانی می‌شوند، هنوز یک چالش باز است.

روند رویداد

  1. سال ۲۰۲۴

    پژوهشگران دانشگاهی طراحی پروتکل PQXDH سیگنال را با استفاده از ابزارهای خودکار تایید کردند.

  2. اکتبر ۲۰۲۶

    دیپ‌مایند مدل‌های پیشرفته جمینای ۴ کربن را با قابلیت‌های استدلال پیچیده معرفی کرد.

  3. ۱۰ نوامبر ۲۰۲۶

    دیپ‌مایند رسماً چارچوب آلفاپروف کد و موفقیت آن در تایید کدهای پروتکل سیگنال را اعلام کرد.

پژوهشگران هوش مصنوعی 40%متخصصان امنیت سایبری 35%مهندسان نرم‌افزار 25%
پژوهشگران هوش مصنوعی
این گروه معتقدند که توانایی مدل‌های زبانی در استدلال ریاضی و اثبات قضایای پیچیده، جهشی بزرگ در قابلیت‌های هوش مصنوعی است.
متخصصان امنیت سایبری
این دسته تاکید دارند که تایید رسمی پروتکل‌های رمزنگاری، تنها راه مقابله با تهدیدات پیشرفته و تضمین حریم خصوصی کاربران است.
مهندسان نرم‌افزار
این گروه بر این باورند که چالش اصلی آینده، نوشتن کد نیست، بلکه بررسی و تایید کدهای تولید شده توسط هوش مصنوعی است.

دیدگاه‌هایی که این گزارش پوشش نداده

  • توسعه‌دهندگان نرم‌افزارهای متن‌باز که ممکن است به منابع محاسباتی عظیم برای اجرای چنین تاییداتی دسترسی نداشته باشند.
  • نهادهای قانون‌گذار که باید استانداردهای جدیدی برای تاییدیه امنیتی نرم‌افزارهای حیاتی تدوین کنند.

منابع

پوشش منابع

6 منبع

3 دیدگاه شناسایی‌شده

پژوهشگران هوش مصنوعی 40%متخصصان امنیت سایبری 35%مهندسان نرم‌افزار 25%
  1. [1]Google DeepMindپژوهشگران هوش مصنوعی

    How Google DeepMind researchers built a new agentic framework that formally verified the code of Signal's cryptographic protocol

    مطالعه در Google DeepMind →
  2. [2]MLQ.aiمتخصصان امنیت سایبری

    Google DeepMind's AlphaProof Code proves key security properties of Signal's code at the machine-code level

    مطالعه در MLQ.ai →
  3. [3]Unite.aiپژوهشگران هوش مصنوعی

    Google DeepMind introduced AlphaProof Code on November 10, 2026

    مطالعه در Unite.ai →
  4. [4]Explainx.aiمتخصصان امنیت سایبری

    DeepMind AlphaProof Code verified Signal protocol implementation code in Lean with AI agents in four weeks

    مطالعه در Explainx.ai →
  5. [5]Qodoمهندسان نرم‌افزار

    Google DeepMind says its AI agents formally verified Signal's protocol code

    مطالعه در Qodo →
  6. [6]Dev.toمهندسان نرم‌افزار

    Google DeepMind reports machine-checked security proofs for a compiled implementation of selected Signal protocol operations

    مطالعه در Dev.to →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.