原始来源日期:2026-04-01。本文为研发价值回顾,不代表该资料于今日首次发布。
原文编译
论文针对迁移第一步“找出代码里到底用了什么密码”设计自动化流水线。框架先以静态规则搜索传统公钥与相关调用,再让大模型判断用途、严重度和上下文,最后把量子攻击成本与业务特征组合成风险分数。
检测层覆盖15类作者认为需要量子迁移关注的原语。规则方法便于解释和批量扫描,但会把测试、示例、注释、兼容代码与真实生产调用一并命中,因此论文加入LLM上下文分类来减少纯字符串匹配的局限。
实验对象是python-rsa、python-ecdsa、python-jose、node-jsonwebtoken和Bouncy Castle Java,共记录5775项发现。作者在602个分层标注样本上报告71.98%精确率、100%召回率和83.71% F1;高召回意味着漏掉的已标注样本少,但约28%的阳性仍可能需要人工复核。
风险排序使用Qiskit 2.x实现的变分量子本征求解器模型,并纳入估算的量子比特成本。论文把它作为优先级机制,而不是证明某段代码已可被现实量子计算机攻破;真正迁移顺序还需结合数据保密期、外部暴露和替换难度。
结果来自作者选择的五个项目和标注口径,不能代表所有语言与框架。LLM判断可能受模型版本和提示影响,VQE评分也不是行业标准。论文公开了代码和数据,适合复现后再决定是否进入内部流程。
量仔观察
本站认为这种工具最适合作为密码资产发现器,而不是漏洞裁判。输出应进入可追溯工单,由开发者确认调用是否可达、密钥用途、数据寿命和上层协议,再决定迁移优先级。
落地时还应补充构建依赖、容器镜像、HSM策略和配置文件扫描,因为源码中没有直接出现算法名并不代表运行时未使用。对误报进行结构化回标,才能让后续扫描逐步适合自有代码库。
