Temario Lección 55 de 156 · Medir la privacidad, con honestidad
Medir la privacidad, con honestidad

Calcular un hash no es anonimizar

Por qué importa Las empresas suelen decir que solo comparten direcciones de correo "con hash", como si eso las hiciera anónimas. En este laboratorio deshaces una lista con hash en una fracción de segundo, con correos sintéticos. Una vez que lo hayas visto, leerás "solo compartimos datos con hash" de una forma muy distinta.

Una batidora de un solo sentido

Piensa en un hash como una batidora: metes una fresa y sale el mismo batido rosa cada vez, pero no puedes volver a convertir el batido en una fresa. Suena seguro. El problema: si sospechas que era una fresa, bates una tú mismo y comparas.

Hash: una función que convierte cualquier texto en una huella de longitud fija, la misma cada vez para la misma entrada. SHA-256 da 64 caracteres hexadecimales. No se puede ejecutar al revés.

Fuerza bruta: probar todas las entradas posibles hasta que una coincida. Funciona siempre que la lista de entradas posibles sea lo bastante pequeña para probarlas.

Por qué no es anónimo

Los correos se pasan por un hash precisamente para que dos empresas puedan emparejarlos: las dos calculan el hash de sam.smith@mail.example y obtienen los mismos 64 caracteres. Los ID de correo con hash de la publicidad funcionan así. El hash es un ID estable de la persona, no un disfraz.

Y no hay tantos correos. Nuestro sistema de correo de práctica solo reparte first.last@domain o firstNN@domain, a partir de 30 nombres, 30 apellidos y 3 dominios: 11.610 direcciones posibles en total. Calcular el hash de todas ellas lleva un parpadeo. Los espacios de direcciones reales son mucho mayores, pero los corredores de datos ya tienen listas enormes de direcciones reales, así que solo calculan el hash de lo que tienen y comparan.

El plan

  1. normalise(email): quita los espacios y pasa a minúsculas. Todo el mundo lo hace antes de calcular el hash, así que Sam.Smith@Mail.Example y sam.smith@mail.example coinciden.
  2. sha256_hex(text): hashlib.sha256(text.encode("utf-8")).hexdigest(). .encode convierte el texto en bytes, que es lo que comen las funciones de hash.
  3. all_candidates(): recorre los dominios, los nombres y los apellidos para enumerar todas las direcciones posibles.
  4. crack(hashes): construye una sola vez un diccionario del hash de cada candidata a la candidata, y luego busca cada hash filtrado. Construirlo una sola vez importa: calcular el hash de 11.610 direcciones por cada uno de los 200 hashes filtrados sería 200 veces más lento.

Tabla de búsqueda: un diccionario construido de antemano con respuestas que podrías necesitar, para que cada pregunta se responda en un paso. Los atacantes las construyen para las contraseñas comunes y las listas de correos.

Una idea equivocada muy común

"SHA-256 es irrompible, así que los datos con hash están a salvo." SHA-256 hace bien su trabajo: nadie lo ejecuta al revés. El punto débil es la entrada: cuando las entradas posibles se pueden enumerar, nunca hace falta ejecutarlo al revés. Los números de teléfono son un caso muy conocido: todos los números de un país caben en unos pocos miles de millones de posibilidades, pocas para que un ordenador rápido las pruebe todas.

Recuerda: esto solo se ejecuta con direcciones sintéticas. Hacérselo a los datos de personas reales es exactamente el daño que este módulo te enseña a evitar, y la próxima lección es la defensa.

Pruébalo Cronométralo: rodea tu llamada a crack con time.perf_counter() antes y después. En la mayoría de los portátiles termina en mucho menos de un segundo con 11.610 candidatas.

En otros lenguajes

JavaScript (Node):

const { createHash } = require("crypto");
const sha256 = t => createHash("sha256").update(t, "utf8").digest("hex");

const lookup = new Map(allCandidates().map(e => [sha256(e), e]));
const found = leaked.filter(h => lookup.has(h)).map(h => [h, lookup.get(h)]);

PHP:

$lookup = [];
foreach (all_candidates() as $e) { $lookup[hash('sha256', $e)] = $e; }
$found = array_intersect_key($lookup, array_flip($leaked));

Resumen

  • Un hash es el mismo para la misma entrada, lo que lo convierte en un ID estable, no en un disfraz.
  • Cuando las entradas posibles se pueden enumerar, calcula el hash de todas y compara: fuerza bruta.
  • Construye la tabla de búsqueda una vez, y luego cada hash es una sola búsqueda en el diccionario.
  • "Solo compartimos correos con hash" sigue compartiendo a una persona. La defensa viene después.
Tu turno

Escribe normalise(email) (quita los espacios y pasa a minúsculas), sha256_hex(text) (el resumen hexadecimal SHA-256 del texto en UTF-8), all_candidates() (una lista con todas las direcciones first.last@domain y firstNN@domain, con NN de 1 a 99, usando FIRST_NAMES, LAST_NAMES y MAIL_DOMAINS) y crack(hashes) (un diccionario {hash: email} para cada hash que puedas recuperar). Después asigna found = crack(leaked).

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.