سد ورود به دنیای رمزنگاری پیشرفته فرو ریخت. در ۹ سپتامبر ۲۰۲۶، شرکت Cognition افشا کرد که Devin، مهندس نرم‌افزار هوش مصنوعی این شرکت، موفق به تجزیه عدد RSA-260 شده و رکورد بزرگ‌ترین مسئله حل‌شده در چالش تجزیه RSA را جابه‌جا کرده است. رکورد قبلی متعلق به RSA-250 بود که در فوریه ۲۰۲۰ ثبت شده بود.
این موفقیت حاصل یک جهش در محاسبات کوانتومی یا کشف یک قضیه ریاضی جدید نیست. برخلاف برخی ادعاها، Devin اعداد اول ۱۳۰ رقمی را با حدس زدن دستی پیدا نکرده و Cognition نیز ابررایانه‌ای کوانتومی با هزاران کیوبیت نساخته است. در واقع، این اتفاق نمایش عینی «مازاد قابلیت» (Capability Overhang) است؛ یعنی توانایی یک عامل (Agent) در به‌کارگیری الگوریتم‌های موجود روی سخت‌افزارهای مدرن با سطحی از مهندسی عملکرد که پیش از این تنها در توان تیمی از متخصصان انسانی در آن حوزه بود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی توانمندسازی عامل‌های هوشمند در محیط‌های توسعه اشاره کردیم، مرز میان کدنویسی ساده و مهندسی سیستم در حال محو شدن است. برای درک این دستاورد باید بدانید که تجزیه اعداد بزرگ، ستون فقرات بسیاری از سیستم‌های امنیتی است و هر کاهش در هزینه یا زمان این عملیات، یک هشدار امنیتی محسوب می‌شود.
سازوکار فنی و بهینه‌سازی
به نقل از مستندات Cognition، عامل Devin برای حل RSA-260 نسخه‌ای تغییریافته از الگوریتم «غربال میدان عددی عمومی» (GNFS) را پیاده‌سازی کرد که به‌طور خاص برای واحد پردازش گرافیکی (GPU) بهینه شده بود. الگوریتم GNFS کارآمدترین روش شناخته شده برای تجزیه اعداد بالای ۱۰۰ رقم است. با این حال، پیاده‌سازی آن روی GPU به‌دلیل الگوهای پیچیده دسترسی به حافظه و شاخه‌بندی‌های شرطی (Conditional Branching) بسیار دشوار است.
سهم اصلی Devin، ساخت یک «غربال شبکه‌ای» (Lattice Siever) با کارایی بالا بود که به‌عنوان جایگزینی مستقیم (Drop-in replacement) برای غربال مبتنی بر CPU (که با نام las شناخته می‌شود) در پروژه متن‌باز CADO-NFS قرار گرفت. این ابزار جدید که glas نام گرفت، هزینه تجزیه را ۱۰ برابر کمتر از پیشرفته‌ترین روش‌های عمومی فعلی کرد.
بهینه‌سازی‌های Devin در خط لوله GNFS شامل مراحل زیر بود:
- انتخاب چندجمله‌ای: Devin مرحله اول انتخاب چندجمله‌ای CADO را با استفاده از تجهیزات هسته (Kernel) مربوط به
msieveبه GPU منتقل کرد و ابزارgps1را ساخت. این مرحله میدان عددی را تثبیت کرده و سرعت مرحله غربال را کنترل می‌کند. برای RSA-260، تیم از یک چندجمله‌ای درجه ۶ با انحراف (Skew) ۳,۲۲۶,۴۵۹.۱۶۴ و MurphyE معادل ۶.۶۳۳e-10 استفاده کرد. فرآیند انتخاب چندجمله‌ای نامنظم بود و بازه‌های مختلف admin/admax و کران‌های اول P را پوشش داد. تیم ۲۲ چندجمله‌ای متمایز را آزمایش کرد و در نهایت یکی با ۶ ریشه واقعی و آلفای ۹.۵۷- را انتخاب نمود. - غربال شبکه‌ای: این بخش سنگین‌ترین عملیات محاسباتی GNFS است. هدف، تولید ۸.۳ میلیارد رابطه خطی پراکنده روی GF(2) بود. چالش اصلی، مدیریت خواندن/نوشتن شبه‌تصادفی در یک آرایه بزرگ در میان میلیاردها مورد کاری «q ویژه» (Special q) بود. برای اجرای نهایی، بازه q ویژه از ۱.۰e9 تا تقریباً ۳.۹۱e10 بود که در مجموع ۶۳۲,۲۴۹ واحد کاری (Workunit) را شامل می‌شد. تیم برای هر واحد کاری، بازه q ویژه را ۶۰,۰۰۰ در نظر گرفت تا زمان هر واحد حدود ۱۰ دقیقه باشد. در طول این فرآیند، غربال دو بار ارتقا یافت و عملکرد را ۱۴ تا ۱۷ درصد بهبود داد. زمان میانه هر واحد کاری روی تراشه‌های GB200 از ۵۸۵ ثانیه به ۴۸۶ ثانیه و روی B200 از ۶۲۸ ثانیه به ۵۴۱ ثانیه کاهش یافت.
- حل سیستم خطی: Devin الگوریتم «ویدمان بلوکی» (Block Wiedemann) را برای GPU بهینه کرد. این مرحله به پهنای باند ارتباطی بسیار بالایی نیاز دارد که تیم آن را از طریق NVLink و Infiniband فراهم کرد. ماتریس نهایی دارای ابعادی حدود ۶۵۶,۱۸۲,۶۰۱ در ۶۵۶,۱۸۲,۱۸۹ با ۹۸,۴۳۱,۷۴۱,۸۹۸ مقدار غیرصفر و تراکم ۱۵۰ مورد در هر سطر بود. این فرآیند شامل ۲,۵۶۴,۰۹۶ تکرار روی دو توالی با عرض ۲۵۶ (m = n = 512) بود. نقاط بازگشت (Checkpoints) هر ۸,۱۹۲ تکرار ذخیره می‌شدند و از هر چهار مورد، یکی برای موازی‌سازی
mksolنگه داشته می‌شد. - ابزارهای جانبی: Devin بخش مدیریت (Head) پروژه CADO را برای مدیریت حجم بالای واحدهای کاری بهینه کرد، برنامه‌های
dup/purgeرا موازی‌سازی نمود و برنامه‌هایmerge/replayرا با هم ادغام کرد. همچنین یک تابعsqrtشتاب‌یافته با GPU ساخت. این تابع سه بار بازنویسی شد؛ ابتدا با توابع mpn در GMP، سپس با روش Karatsuba موازی روی CPU و در نهایت نسخه ضرب NTT شتاب‌یافته با GPU که در ۸۸ دقیقه به پایان رسید. این بازنویسی ضروری بود زیرا حاصل‌ضرب گویا (۱.۷۶e11 بیت) باعث سرریز شدن (Overflow) شمارنده limb درmpz_tمی‌شد.
تخصیص منابع و هزینه‌ها
طبق گزارش cognition.com، این تجزیه به‌عنوان یک پروژه جانبی برای بهینه‌سازی زمان‌بند (Scheduler) شرکت اجرا شد و از «محاسبات تکه‌تکه» (Fragmented Compute) یا گره‌های بیکار در رک‌های NVL72 استفاده کرد. این رک‌ها به‌طور اسمی شامل ۱۸ کامپیوتر هستند که توسط NVLink سریع به هم متصل شده‌اند. از آنجایی که بارهای کاری مدل‌های زبانی بزرگ (LLM) به اندازه‌های گروه خاصی در رک‌ها نیاز دارند، برخی گره‌ها بیکار می‌مانند یا فقط برای جایگزینی در صورت خرابی (Failover) استفاده می‌شوند.
غربال شبکه‌ای برای این محاسبات اضافی ایده‌آل بود زیرا به‌طور گسترده موازی است، می‌تواند با تک‌گره‌ها پیش برود و می‌توان آن را فوراً متوقف کرد (Preempt).
- هزینه کل: تخمین زده شده ۴۰۰,۰۰۰ دلار با قیمت‌های فعلی بازار.
- میزان محاسبات: حدود ۴,۹۰۰ روز-GPU (معادل ۱۳.۵ سال-GPU).
- تفکیک زمان:
- ۳,۸۱۳ روز-GPU برای غربال.
- ۶۴۳ روز-GPU برای انتخاب چندجمله‌ای (که به‌دلیل عدم تخصص اپراتور به‌طور غیرعادی بالا بود؛ تیم ۲.۵ روز را روی بازه‌ای صرف کرد که می‌توانست در ۱ روز جستجو شود).
- ۴۶۷ روز-GPU برای حل سیستم خطی (با نرخ شکست حدود ۷٪ به‌دلیل کرش‌ها یا توقف‌های پیش‌دستانه).
تعامل انسان و عامل
با وجود اینکه Devin عملیات خوشه، اندازه‌گیری‌های سرتاسری و بهینه‌سازی کد را مدیریت کرد، اما پروژه کاملاً خودگردان نبود. اریک لو (Eric Lu)، پژوهشگر ارشد، نقش «کارکرد اجرایی» (Executive Function) را ایفا کرد.
لو در طول این پروژه سه هفته‌ای، به‌طور متوسط ۳ و در حداکثر ۱۸ جلسه هم‌زمان Devin را مدیریت کرد. مداخلات انسانی در موارد زیر ضروری بود:
- تعیین هدف: ایجاد سلسله‌مراتب اهداف و محدود کردن دامنه فعالیت عامل برای جلوگیری از انحراف.
- تغییر مسیر: شناسایی اندازه‌گیری‌های بی‌ثمر و متوقف کردن آن‌ها (مثلاً با دستور «نیازی نیست آن اندازه‌گیری را بگیری»).
- بهره‌وری گردش‌کار: پیشنهاد روش‌هایی برای توزیع هزینه‌های راه‌اندازی و ارائه مسیرهای فنی، مانند اطمینان از اینکه GPU هرگز منتظر CPU نماند یا استفاده از NVLink SHARP.
- ساختاربندی: راهنمایی در ایجاد مجموعه‌ای یکپارچه از بنچمارک‌ها و تخمین‌زن‌های عملکرد.
در مجموع، لو ۸۲,۷۰۲ کلمه در ۳,۳۲۸ پیام طی ۱۹۲ جلسه ارسال کرد. از ۲۳۳ جلسه استفاده شده، ۳۶ جلسه به‌طور کامل بدون دخالت انسان پیش رفت. این پروژه از Devin Cloud برای جلسات مستقل و پایدار استفاده کرد که می‌توانستند هفته‌ها به‌طور خودگردان اجرا شوند.
نردبان مقیاس‌پذیری و آینده RSA
تیم Cognition پیش از حمله به RSA-260، یک «نردبان مقیاس‌پذیری» را برای تایید خط لوله اجرا کرد. این فرآیند تکرارشونده سرعت پیشرفت خیره‌کننده‌ای را در پنج روز اول نشان داد:
- C155: در ۷,۹۸۸ ثانیه تجزیه شد (شامل یک کرش در بخش Head).
- C157: در ۱۱,۴۸۶ ثانیه تجزیه شد.
- C173: در ۴۰,۶۶۶ ثانیه تجزیه شد.
- C175: در ۳۰,۲۳۹ ثانیه تجزیه شد.
- C190: در پایان این بازه، یک عدد ۱۹۰ رقمی در ۱۱,۴۴۳ ثانیه حل شد؛ یعنی تقریباً همان زمانی که عدد ۱۵۷ رقمی در شروع پروژه نیاز داشت.
- C311: مسئله‌ای معادل یک عدد ۲۱۶ رقمی که در ۵۱,۵۴۲ ثانیه حل شد.
- C344: یک مانع مربوط به اعداد کامل فرد که در ۱۳۲,۹۵۰ ثانیه حل شد.
- RSA-260: اجرای نهایی ۱,۳۴۴,۸۷۸ ثانیه زمان واقعی (Wall-clock time) برد.
در مورد کلیدهای بزرگ‌تر، گزارش Cognition ادعای تکان‌دهنده‌ای دارد: بر اساس قوانین مقیاس‌بندی GNFS، تجزیه RSA-1024 (۳۰۹ رقم) حدود ۷۸ برابر محاسبات بیشتری نسبت به RSA-260 می‌طلبد. تخمین زده می‌شود یک آزمایشگاه پیشرو یا ابرسرویس‌دهنده بتواند RSA-1024 را با هزینه‌ای حدود ۳۰ میلیون دلار تجزیه کند. اگرچه RSA-1024 در سال ۲۰۱۳ منسوخ شد، اما این نتیجه نشان می‌دهد که هزینه و تعداد طرف‌هایی که قادر به چنین حمله‌ای هستند، به‌طور قابل‌توجهی کاهش یافته است. گزارش اشاره می‌کند که پیاده‌سازی فعلی هنوز بهینه نیست و کارهای بیشتر احتمالاً می‌تواند این هزینه را چندین برابر دیگر کاهش دهد.
با این حال، گزارش تاکید می‌کند که RSA-2048 همچنان امن است. تجزیه RSA-2048 تقریباً یک میلیارد برابر سخت‌تر از RSA-1024 است و به‌طور معناداری تحت تأثیر این بهینه‌سازی‌های GPU قرار نمی‌گیرد.
تحلیل: تغییر در محاسبات علمی
این نتیجه فرض بنیادی درباره اینکه چه کسی می‌تواند تحقیقات علمی در مقیاس بزرگ انجام دهد را تغییر می‌دهد. پیش از این، تلاقی نظریه اعداد و بهینه‌سازی هسته GPU یک تخصص بسیار محدود و خاص بود. اکنون، یک عامل می‌تواند با ترکیب دانش داده‌های پیش‌آموزش و تکرار اندازه‌گیری‌های عملکرد، این شکاف را پر کند.
ما شاهد گذاری هستیم که در آن «تجزیه مهندسی‌شده توسط انسان» (مانند ساختار CADO-NFS) به گلوگاه اصلی تبدیل می‌شود، نه پیاده‌سازی اجزا. لو مشاهده کرد هرچه کدبیس از منبع اصلی CADO-NFS فاصله می‌گرفت، عامل‌ها گیج‌تر می‌شدند؛ این نشان می‌دهد حضور نرم‌افزار اصلی در داده‌های پیش‌آموزش هوش مصنوعی یک عامل حیاتی بود.
ریسک این وضعیت، همان‌طور که لو اشاره می‌کند، احتمال از دست رفتن درک انسانی است؛ پژوهشگر درباره فیزیک زیربنایی مسئله کمتر آموخت زیرا عامل تمام مراحل اجرا را بر عهده داشت.
برای حوزه امنیت سایبری، این اتفاق فوریت مهاجرت به رمزنگاری پساکوانتومی یا اندازه‌های کلید بزرگ‌تر را تقویت می‌کند؛ نه به‌دلیل یک الگوریتم جدید، بلکه به‌دلیل اینکه هزینه پیاده‌سازی حملات موجود در حال سقوط است.
گام بعدی شما
- اگر از سیستم‌های قدیمی RSA-1024 استفاده می‌کنید، فوراً به RSA-2048 یا الگوریتم‌های پساکوانتومی مهاجرت کنید.
- بررسی کنید که آیا گردش‌کارهای مهندسی شما می‌تواند با استفاده از عامل‌های هوشمند برای بهینه‌سازی سطح Kernel (مانند مورد Devin) تسریع شود یا خیر.
- مستندات CADO-NFS را برای درک نحوه پیاده‌سازی GNFS مطالعه کنید تا متوجه شوید عامل‌ها کجاها در بازنویسی کد موفق بوده‌اند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و معماری NVLink مراجعه کنید.
گفتگو