# 不破解密碼之後 ## 旁路優先、最低成本攻擊路徑與動態系統安全下界 **英文工作名：** *After Password Cracking: Bypass Priority, Minimum-Cost Attack Paths, and the Dynamic Lower Bound of System Security* **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **系列：**《AI 時代的數位免疫與資安基礎設施》第二篇 **文件性質：** 理論資安研究／防禦架構論文／命題猜想 **版本：** v0.1 **日期：** 2026-08-10 --- ## 摘要 當密碼、金鑰與標準密碼原語的直接破解成本持續提高時，系統是否會因此按比例變得更加安全？ 本文主張，答案通常是否定的。 真實攻擊者並沒有義務選擇密碼學上最困難的路徑，也沒有義務正面突破系統最堅固的安全控制。只要系統存在多條可通往有價值資產、權限或行動能力的路徑，理性攻擊策略就會傾向尋找其中成本最低、成功率最高或風險最可接受的一條。 因此，完整資安問題不應只表示為單一秘密的搜索複雜度： $$ C_{\mathrm{password}}, $$ 而應表示為一個由身分、Session、Recovery、API、應用程式、端點、雲端、供應鏈、人員與管理流程共同構成的動態攻擊路徑集合： $$ \mathcal P(t) = \{ p_1(t),p_2(t),\ldots,p_n(t) \}. $$ 本文提出「**最低成本攻擊路徑原理**」： $$ \boxed{ p^*(t) = \arg\min_{p\in\mathcal P(t)} C(p,t) } $$ 並進一步定義系統的實際安全下界： $$ \boxed{ B_{\mathrm{sys}}(t) = \min_{p\in\mathcal P(t)} C(p,t) } $$ 由此得到：提升某一條已經極度昂貴的防禦路徑，未必能顯著提升整體安全；只有當最弱的有效攻擊路徑同步被提高成本時，系統安全下界才真正上升。 本文亦將既有「旁路優先猜想」重新形式化：當密碼學核心逐漸成熟，攻擊資源會從直接破解秘密轉移到秘密被使用、授權、恢復、傳遞及消費的外圍因果鏈。這使 AI 駭客的主要能力不再只是高速暴力搜索，而是持續辨識攻擊面、比較候選路徑、壓縮未知域並選擇最有利的行動序列。 在 AI 時代，真正重要的安全問題因此從： > 「這個密碼能不能被破解？」 轉化為： > **「整個系統中，是否仍存在一條比破解密碼便宜得多的路？」** --- **關鍵詞：** AI 駭客、旁路攻擊、攻擊路徑、系統安全、攻擊成本、最弱環節、Zero Trust、認證安全、漏洞管理、動態安全域 --- # 一、從單一密碼問題走向全系統問題 本系列第一篇《從密碼複雜度到熵飽和》提出： 當機器生成秘密已具有足夠高的不可預測性時， $$ H(P)\uparrow $$ 雖然仍然能持續增加直接猜測成本， 但其對整體系統安全的邊際貢獻最終會下降。 原因不是： $$ H(P) $$ 失去密碼學意義， 而是： $$ \text{Password Security} $$ 只構成整個系統的一個子域。 令： $$ \mathcal D_{\mathrm{password}} $$ 表示密碼攻擊域， 而： $$ \mathcal D_{\mathrm{system}} $$ 表示完整系統攻擊域， 則： $$ \boxed{ \mathcal D_{\mathrm{password}} \subset \mathcal D_{\mathrm{system}} } $$ 且通常： $$ |\mathcal D_{\mathrm{password}}| \ll |\mathcal D_{\mathrm{system}}|. $$ 換句話說，攻擊者面對的不是只有： > 「我要不要猜這一組密碼？」 而是： > 「我到底應該從哪裡進去？」 --- # 二、現實世界已經表明「入口」遠比密碼更多 OWASP Top 10:2025 將 Web 應用主要風險分為 Broken Access Control、Security Misconfiguration、Software Supply Chain Failures、Cryptographic Failures、Injection、Insecure Design、Authentication Failures、Software or Data Integrity Failures、Security Logging and Alerting Failures，以及 Exceptional Condition Handling 等不同類別。這本身便說明「密碼錯誤」只占整體應用安全問題的一部分。 CISA 的 Known Exploited Vulnerabilities Catalog 也持續收錄已確認在現實攻擊中遭利用的漏洞，並明確建議組織將這些已知受利用漏洞納入漏洞管理優先順序。 2026 Verizon DBIR 更出現一個重要變化：軟體漏洞利用約占 breach 初始入口的 31%，首次超越被竊憑證；報告同時指出生成式 AI 已開始增幅多種攻擊技術。 這並不能證明「密碼已不重要」。 它真正表示的是： $$ \boxed{ \text{Attack Entry} \neq \text{Password Only}. } $$ 安全研究若只分析： $$ C_{\mathrm{password}} $$ 就會錯過更大的攻擊結構。 --- # 三、攻擊不是一個點，而是一條路徑 本文將系統抽象為一個有向圖： $$ \mathcal G = (V,E). $$ 其中： - $V$ ：系統狀態、資產、身份、權限、設備、服務； - $E$ ：可使狀態從一個節點轉移到另一節點的合法或非法能力。 例如抽象而言： $$ V_0 \rightarrow V_1 \rightarrow V_2 \rightarrow V_T $$ 代表從外部初始狀態： $$ V_0 $$ 最終抵達高價值目標： $$ V_T. $$ 一條完整攻擊路徑： $$ p_i $$ 可以寫成： $$ p_i = (v_0,e_1,v_1,e_2,\ldots,e_k,v_T). $$ 攻擊者真正需要完成的不是： $$ \text{Break Everything}. $$ 而只是： $$ \exists p_i: p_i \text{ reaches }V_T. $$ 這是一個非常重要的不對稱。 --- # 四、防禦的全稱要求與攻擊的存在要求 在簡化形式下，攻擊方需要： $$ \boxed{ \exists p\in\mathcal P: \operatorname{Reach}(p,V_T)=1 } $$ 也就是： > 至少存在一條有效路徑。 防禦方卻接近需要： $$ \boxed{ \forall p\in\mathcal P_{\mathrm{relevant}}, \quad C(p)>T } $$ 其中： $$ T $$ 是攻擊者可以承受的成本門檻。 這不是說防守者必須在數學上證明「絕對沒有任何漏洞」。 實際安全永遠做不到這種要求。 真正意思是： > 所有足以造成不可接受損失的已知或合理可推導路徑，都必須被提高到不具實用性的成本。 因此攻防具有結構性的不對稱： $$ \boxed{ \text{Attacker searches for existence;} } $$ 而： $$ \boxed{ \text{Defender manages coverage.} } $$ 這也解釋了為什麼高度複雜系統即使部署大量安全設備，仍可能因為某一條被遺漏的信任鏈而失陷。 --- # 五、最低成本攻擊路徑原理 令： $$ \mathcal P(t) = \{ p_1,p_2,\ldots,p_n \} $$ 代表時刻 $t$ 攻擊者可以辨認或實際接觸的候選攻擊路徑。 給每一條路徑定義成本： $$ C(p,t). $$ 則理性攻擊者在其他條件相近時，會偏好： $$ \boxed{ p^*(t) = \arg\min_{p\in\mathcal P(t)} C(p,t) } $$ 本文稱之為： ## 最低成本攻擊路徑原理 **Minimum-Cost Attack Path Principle** 其直觀形式非常簡單： > 攻擊者沒有理由正面挑戰系統最堅固的地方，只要存在一條成本顯著更低而且能達成同樣目標的路徑，就會出現旁路轉移。 --- # 六、攻擊成本不是只有算力 傳統密碼學經常把成本理解為： $$ C_{\mathrm{compute}}. $$ 但真實系統裡，一條攻擊路徑的成本至少可以拆成： $$ C(p,t) = C_K + C_R + C_T + C_A + C_D + C_U. $$ 其中： - $C_K$ ：所需知識與認知成本； - $C_R$ ：算力、時間、資金等資源成本； - $C_T$ ：工具取得與建構成本； - $C_A$ ：取得必要存取條件的成本； - $C_D$ ：被偵測、阻斷或失敗的預期成本； - $C_U$ ：不確定性與試錯成本。 這裡暫時不把法律與刑事風險納入。 因為「犯罪成本與技術門檻分離」將由本系列第三篇專門處理。 因此本文只研究： $$ \boxed{ \text{Technical-Operational Attack Cost}. } $$ --- # 七、系統安全下界 現在可以得到一個更重要的量。 定義： $$ \boxed{ B_{\mathrm{sys}}(t) = \min_{p\in\mathcal P(t)} C(p,t) } $$ 本文稱： ## 動態系統安全下界 **Dynamic System Security Lower Bound** 它表示： > 在當前可識別攻擊域中，使攻擊者取得目標能力所需要付出的最低實用成本。 因此，一個系統即使存在： $$ C_{\mathrm{crypto}} = 10^{50} $$ 的密碼學障礙， 但如果另一條身份恢復路徑只有： $$ C_{\mathrm{recovery}} = 10^3, $$ 則整體安全不能被描述成： $$ 10^{50}. $$ 更合理的是： $$ B_{\mathrm{sys}} \approx 10^3. $$ 也就是： $$ \boxed{ \text{Strongest Control} \neq \text{System Security}. } $$ --- # 八、最弱路徑與「木桶效應」仍然不同 表面上： $$ B_{\mathrm{sys}} = \min_i C_i $$ 很像傳統所謂： > 系統安全由最弱環節決定。 但本文模型比「木桶效應」更精確。 因為一個弱點如果： $$ \operatorname{Reach}(v,V_T)=0 $$ 也就是它根本無法通往重要資產， 它即使非常弱，也未必形成實際安全下界。 因此真正需要的不是： $$ \min_{\text{all components}} S_i, $$ 而是： $$ \boxed{ \min_{\text{viable attack paths}}C(p). } $$ 也就是： > **最弱的有效路徑，而不是最弱的任意元件。** 這個區別十分重要。 --- # 九、旁路優先猜想 既有《不破解密碼：AI 對解密能力執行流與系統因果結構的重構攻擊》已提出「旁路優先猜想」： 當密碼原語足夠成熟後，AI 攻擊資源會逐漸移向： $$ \text{Endpoint} + \text{Execution Flow} + \text{Policy} + \text{Agent} + \text{Supply Chain} + \text{Physical Causal Layer}. $$ 該文並指出，保護不可匯出的金鑰只是必要條件，完整安全還必須保護「誰能在何種上下文調用其能力」。 本文現在將其形式化為： 若： $$ C(P_{\mathrm{crypto}})\uparrow $$ 而： $$ C(P_j) $$ 保持不變， 則當： $$ C(P_{\mathrm{crypto}}) > C(P_j) $$ 後， 理性攻擊資源會傾向： $$ P_{\mathrm{crypto}} \rightarrow P_j. $$ 本文稱此為： ## 攻擊路徑轉移 **Attack Path Migration** --- # 十、提升安全性的真正條件 傳統安全投資容易發生： $$ S_i\uparrow $$ 就認為： $$ S_{\mathrm{system}}\uparrow. $$ 但在最低成本模型裡，只有當： $$ B_{\mathrm{sys}} = \min_i C_i $$ 真正提高時，整體安全下界才提高。 假設原本： $$ C_1=100, $$ $$ C_2=1000, $$ $$ C_3=10000. $$ 如果把： $$ C_3 $$ 提高為： $$ 10^9, $$ 仍然： $$ B_{\mathrm{sys}}=100. $$ 幾乎沒有改變。 但若把： $$ C_1 $$ 提高到： $$ 1500, $$ 則： $$ B_{\mathrm{sys}} = 1000. $$ 整體防禦能力可能產生巨大變化。 因此可以得到： $$ \boxed{ \text{Security Investment} \rightarrow \text{Raise the Minimum Viable Path} } $$ 而不是： $$ \text{Make the Strongest Control Even Stronger}. $$ --- # 十一、資安投資的邊際收益問題 令： $$ I_j $$ 為對第 $j$ 個安全控制投入的額外資源。 真正值得最大化的不是： $$ \frac{\partial C_j}{\partial I_j}, $$ 而是： $$ \frac{ \partial B_{\mathrm{sys}} }{ \partial I_j }. $$ 如果某安全控制本來就不是最低成本路徑， 則： $$ \frac{ \partial B_{\mathrm{sys}} }{ \partial I_j } \approx0. $$ 這就是一個非常實際的資安治理命題： > **安全預算不應平均分配，也不應只投資於最容易量化的安全控制；應優先提升那些真正構成最低有效攻擊路徑的部分。** --- # 十二、Zero Trust 的路徑意義 NIST SP 800-207 將 Zero Trust 的核心描述為：不因網路位置、裝置所有權或既有位置而自動賦予信任，而應針對使用者、裝置與資源進行身份驗證與授權，並將防禦焦點從網路邊界轉向個別資源。 放入本文模型後，可以將其理解為： 傳統： $$ \text{Enter Network} \Rightarrow \text{Large Trust Expansion}. $$ Zero Trust 嘗試改成： $$ V_i \rightarrow V_{i+1} $$ 每一次重要狀態轉移都重新要求： $$ \operatorname{AuthN} + \operatorname{AuthZ}. $$ 因此，即使某一初始節點： $$ V_0 $$ 被攻破， 也不應自然導致： $$ V_T. $$ 換句話說，Zero Trust 的一項本質效果就是： $$ \boxed{ \text{Increase Path Length} + \text{Increase Transition Cost} + \text{Reduce Blast Radius}. } $$ --- # 十三、路徑共享節點問題 不同攻擊路徑可能共享某些節點。 例如： $$ p_1: A\rightarrow B\rightarrow X\rightarrow T $$ $$ p_2: C\rightarrow D\rightarrow X\rightarrow T $$ 兩條路徑最後都經過： $$ X. $$ 若： $$ X $$ 是一個高度關鍵的身份、Vault、管理帳號、更新伺服器或策略節點， 那麼： $$ X $$ 就形成： ## 攻擊路徑匯聚點 **Attack Path Convergence Node** 此時，提高： $$ S_X $$ 可能同時提高多條路徑的成本： $$ C(p_1)\uparrow, $$ $$ C(p_2)\uparrow, $$ $$ \ldots $$ 因此安全投資不能只看： > 哪個漏洞最嚴重？ 還必須看： > 哪個節點被最多高價值攻擊路徑共享？ --- # 十四、信任集中與安全集中悖論 這也產生一個反方向的問題。 如果大量安全能力都集中到： $$ X $$ 例如： - 單一 Identity Provider； - 單一 Password Vault； - 單一 Cloud Control Plane； - 單一 Security AI； - 單一更新服務； 那麼： $$ X $$ 雖然能提高日常安全管理效率， 但同時也可能形成： $$ \boxed{ \text{High-Value Convergence Target}. } $$ 因此： $$ \text{Centralization} \Rightarrow \begin{cases} \text{Defense Efficiency Gain}\\ \text{Failure Amplification} \end{cases} $$ 這與既有具身 AI 駭客研究中的「中央智能增益同時可能放大防禦與失敗」是一致的。 --- # 十五、AI 改變的不是只有破解速度 傳統對 AI 駭客最直觀的理解是： $$ \text{AI} \Rightarrow \text{Faster Attack}. $$ 但最低成本路徑模型顯示，更重要的可能是： $$ \boxed{ \text{AI} \Rightarrow \text{Cheaper Path Discovery}. } $$ 令： $$ C_{\mathrm{search}} $$ 表示攻擊者建立候選攻擊圖所需成本。 傳統人類攻擊者可能需要逐一理解： - 資產； - 網路； - 身份； - API； - 軟體版本； - 權限關係； - 依賴； - 配置。 AI 能降低： $$ C_{\mathrm{search}}, $$ 並提高： $$ R_{\mathrm{classification}} $$ 與： $$ R_{\mathrm{comparison}}. $$ 因此，即使 AI 完全沒有創造任何新的密碼破解演算法， 它仍可能透過： $$ \boxed{ \text{Find} + \text{Classify} + \text{Compare} + \text{Prioritize} } $$ 顯著提高攻擊效率。 2026 DBIR 對 AI 增幅多類攻擊技術以及漏洞利用速度加快的觀察，正與此方向相符。 --- # 十六、AI 的判定域收縮 令攻擊者最初面對： $$ \Omega_0 $$ 個未知可能性。 攻擊者不需要遍歷： $$ \Omega_0. $$ 他真正需要的是持續更新： $$ \Omega_0 \rightarrow \Omega_1 \rightarrow \Omega_2 \rightarrow \cdots \rightarrow \Omega_k $$ 使： $$ |\Omega_{i+1}| < |\Omega_i|. $$ 每一次資訊取得： $$ O_i $$ 都排除部分不合理假設。 因此： $$ D_{i+1} = \Phi(D_i,O_i). $$ 若： $$ H(D_{i+1}) < H(D_i), $$ 則系統不確定性下降。 AI 在此真正提供的是： $$ \boxed{ \text{Domain Contraction Rate} } $$ 即： > 單位時間內能夠從多少未知可能性中排除錯誤路徑。 這比純粹的「暴力搜索速度」更適合作為 AI Hacker 的核心變量之一。 --- # 十七、從雙無窮模型轉向有界動態攻擊域 舊的「雙無窮動力模型」處理的是： $$ W_A(n,t) \leftrightarrow W_D(n,t) $$ 即攻擊算力與防禦熵共同演化。 本文不否定其動態直覺。 但新的分析單位改成： $$ \boxed{ \mathcal G_t = (V_t,E_t,P_t,C_t,I_t) } $$ 其中： - $V_t$ ：當前已知狀態； - $E_t$ ：當前可進行的狀態轉移； - $P_t$ ：可行攻擊路徑； - $C_t$ ：各路徑成本； - $I_t$ ：攻擊者當前資訊。 這是一個： $$ \boxed{ \text{Bounded Dynamic Adversarial Domain} } $$ 而不是純： $$ \infty \leftrightarrow \infty. $$ 因此： > 安全不再被描述為兩個無窮能力的競爭，而是有限智能體在有限時間、有限資訊、有限工具與有限權限下，不斷重新建立候選路徑與成本排序。 --- # 十八、攻擊路徑不是固定的 一個非常重要的結果是： $$ \mathcal P(t) $$ 會改變。 例如： $$ \mathcal P(t_0) \neq \mathcal P(t_1). $$ 原因可能包括： - 新軟體部署； - 新漏洞公開； - 權限變動； - 員工加入或離職； - 新供應商； - 新 API； - 新 AI Agent； - 更新失敗； - 新防禦機制； - 新攻擊知識。 因此： $$ B_{\mathrm{sys}} $$ 也一定是時間函數： $$ \boxed{ B_{\mathrm{sys}}=B_{\mathrm{sys}}(t). } $$ 今天安全： $$ \not\Rightarrow $$ 明天安全。 這也解釋為什麼一次性的資安檢查永遠只能產生： $$ S(t_0) $$ 的快照。 而不是： $$ S(t\geq t_0). $$ --- # 十九、漏洞管理真正的意義 CISA KEV Catalog 的設計邏輯提供了一個很好的現實對照：組織不應只根據抽象漏洞嚴重度排序，而應特別處理已確認在現實世界被利用的漏洞。 這其實相當於： $$ \operatorname{Viability}(p) \uparrow. $$ 也就是某條攻擊路徑從： $$ \text{theoretical} $$ 進入： $$ \text{observed operational path}. $$ 因此： $$ C(p) $$ 的估計必須被重新下修。 這也是為什麼： > 有沒有漏洞 和： > 這個漏洞現在是不是現實攻擊者正在走的便宜路線 不是同一個問題。 --- # 二十、從漏洞數量轉向路徑風險 假設公司 A 有： $$ 100 $$ 個低影響漏洞。 公司 B 只有： $$ 3 $$ 個漏洞。 單看數量： $$ 100>3. $$ 但如果 B 的其中一條路徑： $$ p_B $$ 可以直接通往核心管理能力， 則可能： $$ C(p_B) \ll C(p_A). $$ 因此： $$ \boxed{ \text{Vulnerability Count} \neq \text{System Risk}. } $$ 更好的量是： $$ R(p) = P_{\mathrm{success}}(p) \cdot I_{\mathrm{impact}}(p). $$ 甚至加入成本： $$ R_A(p) = \frac{ P_{\mathrm{success}}(p) \cdot I_{\mathrm{impact}}(p) }{ C(p) }. $$ 值越高， 代表： > 對攻擊者而言，這條路越有吸引力。 --- # 二十一、防禦者真正需要的是 Attack Graph Coverage 因此資安人員真正要管理的，不應只是： ```text 100 vulnerabilities found. ``` 而是： ```text Which vulnerabilities form viable paths? ``` 更進一步： ```text Which paths reach critical assets? ``` 以及： ```text Which path currently has the lowest cost? ``` 因此可以定義： $$ \operatorname{Coverage} = \frac{ \sum_{p\in\mathcal P} w_p \mathbf 1[p\text{ monitored or controlled}] }{ \sum_{p\in\mathcal P}w_p }. $$ 這會在本系列第四篇的： > **Security Capability Coverage Gap** 繼續展開。 --- # 二十二、為什麼常駐 AI Defender 會變得合理 若： $$ \mathcal P(t) $$ 持續改變， 則防禦者也必須持續重新計算： $$ B_{\mathrm{sys}}(t). $$ 人類一年一次的： - Penetration Test； - Audit； - Security Review； 只能取得： $$ B_{\mathrm{sys}}(t_0). $$ 未來更理想的形式可能是： $$ A_D : \mathcal G(t) \rightarrow \widehat{\mathcal G}(t) \rightarrow \widehat{\mathcal P}(t) \rightarrow \widehat B_{\mathrm{sys}}(t). $$ 也就是一個常駐安全智能體不斷： 1. 更新資產； 2. 更新身份； 3. 更新漏洞； 4. 更新權限； 5. 更新依賴； 6. 重建攻擊圖； 7. 尋找最低安全邊界。 這其實就是後續「常駐 AI 資安基礎設施」的數學前置條件。 --- # 二十三、攻防雙方的同構 攻擊 AI： $$ A_A $$ 尋找： $$ \boxed{ \min_p C_A(p). } $$ 防禦 AI： $$ A_D $$ 則試圖最大化： $$ \boxed{ \min_p C_A(p). } $$ 因此可以寫成： $$ \boxed{ \max_D \min_{p\in\mathcal P} C_A(p\mid D) } $$ 其中： $$ D $$ 表示防禦配置。 這其實是一個極簡的： ## Max-Min Security Problem 防守的目標不是： > 把某一堵牆做到無限高。 而是： > **讓攻擊者找不到一條特別便宜的路。** --- # 二十四、最低成本安全定理 本文提出： ## 定理一：單一路徑強化非充分性 若： $$ p_k \neq \arg\min_pC(p), $$ 則只提高： $$ C(p_k) $$ 並不能保證： $$ B_{\mathrm{sys}} $$ 提高。 證明： 因： $$ B_{\mathrm{sys}} = \min_pC(p), $$ 且存在： $$ p_j $$ 滿足： $$ C(p_j)C(p_k) $$ 而： $$ C'(p_j)=C(p_j), $$ 仍有： $$ B'_{\mathrm{sys}} = C(p_j) = B_{\mathrm{sys}}. $$ 證畢。 --- # 二十五、路徑轉移定理 ## 定理二：防禦提升會導致攻擊策略重新排序 若初始： $$ C(p_1)C(p_2), $$ 而其他條件不變， 則： $$ p'^*=p_2. $$ 因此： $$ \boxed{ \text{Defense Success} \not\Rightarrow \text{Attack Disappearance}. } $$ 而可能只是： $$ \boxed{ \text{Attack Migration}. } $$ 這就是旁路優先的形式化核心。 --- # 二十六、AI 路徑壓縮命題 令： $$ T_H $$ 為純人工分析攻擊圖所需時間， $$ T_A $$ 為 AI 輔助分析時間。 若： $$ T_A AI 時代的攻防不再只是誰算得更多，而是誰更快知道什麼值得算、如何驗證，以及如何將結果轉化為行動。 本文完成第三個轉換： $$ \boxed{ \text{Compute Faster} \rightarrow \text{Reason Better} \rightarrow \text{Choose Cheaper Paths}. } $$ 因此 AI Hacker 的成熟不是單純： $$ FLOPS\uparrow. $$ 而是： $$ \boxed{ \text{Attack Path Selection Quality}\uparrow. } $$ --- # 三十、結論：真正的敵人不是破解，而是旁路 當密碼熵只有： $$ 20\text{ bits}, $$ 攻擊者可能直接猜。 當它提高到： $$ 40,\ 80,\ 128,\ 256 $$ 甚至更高時， 攻擊者不一定會： > 更努力地猜。 更合理的策略是： $$ \boxed{ \text{Change the problem}. } $$ 這就是資安與純計算問題最重要的不同之一。 密碼學可以問： > 破解這一個秘密要多少計算？ 系統安全卻必須問： > **取得同樣結果，還有哪些方法？** 因此： $$ \boxed{ \text{Security} \neq \text{Difficulty of the Strongest Barrier}. } $$ 而更接近： $$ \boxed{ \text{Security} = \text{Cost of the Cheapest Viable Path}. } $$ 也就是： $$ \boxed{ B_{\mathrm{sys}}(t) = \min_{p\in\mathcal P(t)} C(p,t). } $$ 這同時解釋了為什麼密碼學再成熟，系統仍然可能被攻破； 也解釋了為什麼 AI 駭客不必成為密碼學天才，仍可能透過更高效率的攻擊面分析構成實際威脅。 而這將直接引出下一篇真正關鍵的問題： > **如果 AI 正在大幅降低尋找這些廉價路徑所需要的知識、時間與工具成本，那麼「能成為實際攻擊者」的技術門檻到底會被壓縮到什麼程度？** 因此，本系列第三篇將進入： # 《攻擊門檻壓縮》 ## AI 時代的駭客能力普及、技術門檻與犯罪成本分離 --- ## 參考資料與前置節點 1. OWASP Foundation, *OWASP Top 10:2025*. 2. CISA, *Known Exploited Vulnerabilities Catalog*. 3. CISA, KEV remediation guidance and active exploitation notices. 4. Verizon, *2026 Data Breach Investigations Report*. 5. NIST, *SP 800-207: Zero Trust Architecture*. 6. NIST, *SP 800-207A: A Zero Trust Architecture Model for Access Control in Cloud-Native Applications in Multi-Cloud Environments*. 7. Neo.K，《不破解密碼：AI 對解密能力執行流與系統因果結構的重構攻擊》。 8. Neo.K，《終端機的右側：AI 時代駭客生態的四層分化與生物終局》。 9. Neo.K，《從算力攻擊者到認知攻擊主體：AI 駭客時代的密碼安全範式轉換》。 10. Neo.K，《動態速率理論與 P vs. NP 問題的結構連續模型 2.0》，第八章「雙無窮動力模型」。