该论文研究在人工智能驱动的自适应对手优化下，公钥密码学（PKC）安全性的侵蚀问题。核心问题是算法中心的密码安全模型与操作攻击现实之间的日益不匹配：现代攻击者不再直接破解底层密码基元，而是利用实现层面的可观测性（如侧信道、时序差异、错误处理等）来获取密钥或明文。作者提出了一种基于强化学习与对抗性优化的自适应对手框架，能够动态调整攻击策略，在有限的系统观测下逐步侵蚀信任。实验表明，该框架在模拟的公钥基础设施（PKI）环境中显著降低了密钥恢复所需的尝试次数，并揭示了传统安全证明中未覆盖的脆弱环节。主要贡献包括：(1) 定义了一种新的自适应威胁模型，将AI驱动的对手能力形式化；(2) 展示了实际攻击路径如何绕过理论安全假设；(3) 强调了密码系统实现层与形式化模型之间的鸿沟。论文建议安全从业者重新审视密码系统的安全假设，并关注实现层面的可观测性防御。适合密码学研究者、AI安全工程师及系统安全架构师阅读。