Huella dactilar (informática)

Para cumplir su función, un algoritmo de huella digital debe ser capaz de identificar un archivo con una certeza prácticamente absoluta. En otras palabras, la probabilidad de una colisión —que dos archivos tengan la misma huella digital— debe ser insignificante en comparación con la probabilidad de otras causas inevitables de errores fatales (como la destrucción del sistema por una guerra o un meteorito ): digamos, entre ^10⁻²⁰ o menos.

Este requisito es similar al de una función de suma de verificación , pero mucho más estricto. Para detectar la corrupción accidental de datos o errores de transmisión, basta con que las sumas de verificación del archivo original y de cualquier versión corrupta difieran con casi total certeza, dado algún modelo estadístico para los errores. En situaciones típicas, este objetivo se logra fácilmente con sumas de verificación de 16 o 32 bits. En cambio, las huellas digitales de los archivos deben tener al menos 64 bits para garantizar la unicidad virtual en sistemas de archivos grandes (véase el ataque de cumpleaños ).

Para demostrar el requisito anterior, es necesario tener en cuenta que los archivos se generan mediante procesos altamente no aleatorios que crean dependencias complejas entre ellos. Por ejemplo, en una red empresarial típica, se suelen encontrar muchos pares o grupos de documentos que solo difieren en pequeñas ediciones u otras modificaciones leves. Un buen algoritmo de huella digital debe garantizar que estos procesos "naturales" generen huellas digitales distintivas, con el nivel de certeza deseado.

Los archivos informáticos suelen combinarse de diversas maneras, como la concatenación (como en los archivos comprimidos ) o la inclusión simbólica (como con la directiva `#include` del preprocesador de C ). Algunos algoritmos de huella digital permiten calcular la huella digital de un archivo compuesto a partir de las huellas digitales de sus partes constituyentes. Esta propiedad de "composición" puede resultar útil en algunas aplicaciones, como para detectar cuándo es necesario recompilar un programa.

El algoritmo de huella digital de Rabin es el prototipo de la clase. ^{[ 1 ]} Es rápido y fácil de implementar, permite la combinación y viene con un análisis matemáticamente preciso de la probabilidad de colisión. Es decir, la probabilidad de que dos cadenas r y s produzcan la misma huella digital de w bits no excede max(| r |,| s |)/2 ^{w -1} , donde | r | denota la longitud de r en bits. El algoritmo requiere la elección previa de una "clave" interna de w bits, y esta garantía se mantiene siempre que las cadenas r y s se elijan sin conocer la clave.

El método de Rabin no es seguro frente a ataques maliciosos. Un agente adversario puede descubrir fácilmente la clave y usarla para modificar archivos sin alterar su huella digital.

Las funciones hash criptográficas convencionales generalmente pueden servir como funciones de huella digital de alta calidad, están sujetas a un intenso escrutinio por parte de los criptoanalistas y tienen la ventaja de que se cree que son seguras contra ataques maliciosos.

Una desventaja de los algoritmos hash criptográficos como MD5 y SHA es que tardan mucho más en ejecutarse que el algoritmo de huella digital de Rabin. Además, carecen de garantías comprobadas sobre la probabilidad de colisión. Algunos de estos algoritmos, en particular MD5 , ya no se recomiendan para la identificación segura mediante huella digital. Sin embargo, siguen siendo útiles para la verificación de errores, donde la manipulación intencionada de datos no es una preocupación principal.