原始发布日期:2026-10-07,arXiv v1。Dominik Blain 的研究分析 ML-DSA 签名中公开的提示向量,发现其汉明重量带有弱密钥相关性。这是公开输出的统计研究,论文没有测量设备侧信道,也没有从签名恢复签名密钥。
提示帮助验证方修正公钥压缩导致的舍入差异。作者建立一阶模型,将每个提示多项式的平均重量与相应 t0 多项式的范数联系起来,并用参考 C 实现检验。三个参数集分别采集200把密钥、每把2000个签名;密钥只解释总重量方差的约0.5%至1.5%。
论文进一步讨论了防护边界:固定签名循环次数不能改变输出中的这个统计量;约束总提示重量虽压低总量差异,仍留下逐多项式信息。作者未分析该过滤对原安全论证的影响,也没有证明其他符合标准的实现具有完全相同的实测结果。
其结论明确区分 t0 与安全所依赖的秘密:t0 可从签名获知的事实并不推翻 ML-DSA 安全性。作者指出,普通验签本就需要公钥,相关性主要在缺少可靠公钥归属信息的签名集合中才可能增加信息。[论文全文](https://arxiv.org/html/2610.10992v1)同时列出了样本与模型限制。
量仔观察
这里值得关注的是安全目标的边界。一个签名方案满足不可伪造性,并不自动获得不可关联性;另一方面,检测到显著统计差异,也不能据此称算法“被破解”。如果某个系统已经公开证书和长期公钥,新增的重量指纹未必带来额外身份泄露;若系统刻意隐藏这些关联,则需要把公开签名字段纳入完整隐私评估。
研发上不宜为了抹平一个统计量就自行改变签名拒绝策略。过滤会改变输出分布和计算成本,而只观察总重量可能漏掉分量信息。本站判断,更有意义的后续工作是先界定实际协议是否要求匿名或不可关联,再在该场景复核样本规模、误判率与实现差异。论文中的弱指纹是一个明确研究对象,不应被扩大成通用密钥泄露告警。
