Google DeepMind berichtete am 10. November 2026 über formale Beweise für ausgewählte Sicherheitseigenschaften von kompiliertem libsignal-Code. Untersucht wurden bestimmte Funktionen für Einzelgespräche, nicht die gesamte Signal-App. Das technische Paper legt die geprüften Versionen, den Ablauf und die Grenzen der Aussagen fest. (Technisches Paper von Google DeepMind)

Was Google DeepMind am Signal-Protokoll verifiziert hat

Die Untersuchung richtete sich auf libsignal v0.105.4 und SPQR v1.6.0. Die unveränderten Rust-Bibliotheken wurden in ein kleines Kommandozeilenprogramm eingebunden und als ausführbare Datei für AArch64-Linux kompiliert. Der geprüfte Code betraf den PQXDH-Handshake und Nachrichtenfunktionen des Triple Ratchet in Einzelgesprächen. Gruppenunterhaltungen und die Schlüsselgenerierung gehörten nicht zum Prüfbereich.

Das Paper beschreibt die abgedeckten Befehle init, send und recv. Damit bezieht sich das Ergebnis auf einen klar abgegrenzten Teil der Implementierung, nicht auf jede Funktion des Dienstes oder auf sämtliche Einsatzumgebungen von Signal.

Wie AlphaProof Code die Beweise prüft

Ein dreistufiges Ablaufdiagramm zeigt, wie Fachleute die Spezifikation genehmigen, KI-Agenten Beweise erzeugen und der Lean-Kernel diese prüft.

Fachleute formulieren und genehmigen zunächst die formale Spezifikation: Sie beschreibt, welche Eigenschaften der Code erfüllen soll. KI-Agenten erzeugen anschließend Beweise. Lean prüft diese mit seinem Kernel, dem kleinen Kern des Beweisassistenten, der feststellt, ob ein Beweis aus den zugelassenen Regeln folgt. Die Agenten liefern also Beweisvorschläge; ihre Ausgabe wird nicht allein deshalb akzeptiert, weil eine KI sie erzeugt hat.

Google DeepMind berichtet von rund 6,5 Millionen Zeilen maschinengeprüften Lean-Beweiscodes. Daneben standen rund 26.000 Zeilen vertrauenswürdiger Spezifikationen und formaler AArch64-Semantik. Zu dieser Grundlage zählen auch die Regeln, mit denen das Modell die Ausführung des kompilierten Programms beschreibt. Die formale Semantik umfasst laut Paper 467 Befehle und 31 Systemaufrufe; unter anderem modelliert sie keine Threads oder Signale.

Entscheidend ist nicht nur, dass ein Beweis erzeugt wird: Eine festgelegte Spezifikation und die Prüfschritte bestimmen, welche Aussage er tatsächlich stützt.

Welche Sicherheitseigenschaften die Studie berichtet

Im symbolischen Modell berichtet das Paper zehn Theoreme zu Eigenschaften wie Vorwärtsgeheimnis, Sicherheit nach einer Kompromittierung, Authentifizierung und Geheimhaltung des Handshakes. Ein symbolisches Modell behandelt kryptografische Verfahren nach festgelegten Idealannahmen; die Ergebnisse gelten innerhalb dieses Modells und der dort beschriebenen Bedingungen.

Daneben untersucht das Paper im rechnerischen Modell Vertraulichkeit und Authentizität von Nachrichten gegen klassische Angreifer mit begrenzten Möglichkeiten. Diese Aussagen beruhen auf kryptografischen Annahmen und den im Paper festgelegten Verträgen für Programmteile. Sie sind keine pauschale Garantie für jede denkbare Implementierung oder Angriffsmethode.

Als gezielte Rückprüfung wurden zwei zuvor behobene Fehler erneut in den Code eingebracht. Die daraus entstandenen Programme verletzten laut Paper die symbolischen Sicherheitstheoreme. Das zeigt, dass diese Prüfung die beiden eingebrachten Fehler erfasste; es ist keine Aussage darüber, dass sie jeden möglichen Fehler finden würde.

Wo die beschriebenen Garantien enden

Das rechnerische Sicherheitsmodell umfasst keine Quantenangreifer. Ein symbolisches Ergebnis behandelt zwar die Geheimhaltung des Handshakes nach einem späteren Bruch von Diffie–Hellman. Das Paper beweist jedoch nicht, dass SPQR nach einem solchen Bruch die Sicherheit durch nachträgliche Heilung wiederherstellt.

Auch die Beweisprüfung beruht auf vertrauenswürdigen Grundlagen: auf der genehmigten Spezifikation, dem Lean-Kernel, der AArch64-Semantik, den Verträgen für externe Programmteile und den kryptografischen Annahmen. Google DeepMind veröffentlichte die Lean-Entwicklung und die Verifikationsartefakte, sodass sich die formalen Arbeitsschritte nachvollziehen lassen. (Ankündigung von Google DeepMind)