Google DeepMind opublikowało 10 listopada 2026 r. badanie, w którym opisuje formalne dowody wybranych właściwości bezpieczeństwa skompilowanego kodu libsignal dla sesji jeden na jeden. Analiza obejmuje konkretne wersje biblioteki i protokołu, a nie całą aplikację Signal ani wiadomości grupowe. W artykule technicznym określono też założenia, od których zależą przedstawione wyniki.

Wynik formalnego dowodu zależy od tego, jakie własności zapisano w specyfikacji i w jakim modelu je sprawdzono.

Co obejmowała formalna weryfikacja Signal

Celem analizy było libsignal v0.105.4 wraz z SPQR v1.6.0. Badacze skompilowali niezmodyfikowane pakiety Rust do pliku wykonywalnego dla AArch64 Linux i uruchamiali je w niewielkim interfejsie wiersza poleceń. Weryfikacja obejmowała operacje init, send i recv dla uzgadniania klucza PQXDH oraz przesyłania wiadomości z użyciem Triple Ratchet w sesjach jeden na jeden. Nie objęła generowania kluczy ani komunikacji grupowej.

To rozróżnienie wyznacza praktyczny zakres wyniku: dowody dotyczą wskazanego kodu wykonywalnego i opisanych operacji, nie wszystkich funkcji aplikacji Signal czy każdego sposobu wdrożenia protokołu.

Jak AlphaProof Code sprawdza dowody

Schemat trzech etapów: zatwierdzenie formalnej specyfikacji, generowanie dowodów przez agentów AI i sprawdzanie ich przez kernel Lean.

AlphaProof Code łączy pracę ekspertów i agentów AI. Eksperci przygotowują oraz zatwierdzają formalną specyfikację — zapis wymagań, które kod ma spełniać. Agenci generują dowody, a kernel Lean sprawdza, czy są one poprawne względem tej specyfikacji. Zatem wynik agentów nie jest przyjmowany wyłącznie dlatego, że go wygenerowały; kontroluje go Lean.

W badaniu powstało około 6,5 mln linii maszynowo sprawdzonego kodu dowodów w Lean. Około 26 tys. linii obejmowało zaufane specyfikacje oraz formalną semantykę AArch64, czyli opis tego, jak modelowane instrukcje procesora i wybrane operacje systemu mają działać. Google DeepMind podało, że prace trwały cztery tygodnie, a artefakty weryfikacji i rozwój w Lean udostępniono jako open source. Ogłoszenie Google DeepMind

Jakie właściwości bezpieczeństwa opisuje badanie

Artykuł techniczny rozdziela dwa rodzaje wyników. W modelu symbolicznym, który traktuje operacje kryptograficzne w sposób abstrakcyjny, autorzy opisują dziesięć twierdzeń dotyczących m.in. poufności połączenia, bezpieczeństwa po naruszeniu klucza, uwierzytelniania i poufności uzgadniania klucza. Wyniki te obowiązują w ramach przyjętego modelu, w tym określonych założeń o świeżych wartościach losowych i braku istotnych kolizji.

Dowody obliczeniowe dotyczą poufności i autentyczności wiadomości wobec ograniczonego przeciwnika klasycznego, przy wskazanych założeniach kryptograficznych i kontraktach funkcjonalnych. To odrębny zestaw gwarancji, a nie potwierdzenie odporności na każdy możliwy atak.

Jako sprawdzian regresyjny badacze ponownie wprowadzili do kodu dwa wcześniej naprawione błędy. Powstałe pliki wykonywalne naruszały twierdzenia bezpieczeństwa w modelu symbolicznym. Ten wynik dotyczy tych dwóch błędów i nie oznacza, że metoda wykryje każdą możliwą usterkę.

Gdzie kończą się opisane gwarancje

Weryfikacja zależy od zaufanych elementów: zatwierdzonej specyfikacji, kernela Lean, formalnego modelu AArch64, kontraktów dla wybranych funkcji zewnętrznych oraz założeń kryptograficznych. Model AArch64 opisany w pracy obejmuje 467 instrukcji i 31 wywołań systemowych; nie uwzględnia m.in. wątków, sygnałów, vDSO ani dynamicznego linkowania.

Dowód obliczeniowy dotyczy przeciwników klasycznych, więc nie ustanawia gwarancji bezpieczeństwa wobec atakujących kwantowych. Wynik symboliczny obejmuje poufność uzgadniania klucza po późniejszym złamaniu Diffiego–Hellmana w określonym modelu, ale praca nie dowodzi, że mechanizm SPQR odzyska bezpieczeństwo po takim złamaniu. Obejmuje więc wybrane własności i warunki, a nie ogólną odporność całego Signal na ataki kwantowe.