
Whisper Leak: Die Form einer verschlüsselten Antwort reichte aus, um die Frage zu erraten
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 97 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaNEUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaNEUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaNEUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 88 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 122 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 194 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 123 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 pro 1 Mio. Tokens · 140 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Intelligenz
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Intelligenz
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 pro 1 Mio. Tokens · 189 tok/s
Am 7. November 2025 veröffentlichte Microsofts Defender Security Research Team Whisper Leak, einen Seitenkanalangriff, der aus den Größen und dem Zeitverhalten der Pakete, die die Antwort transportieren, darauf schließt, was eine Person einen Chatbot fragt – Datenverkehr, den TLS bereits verschlüsselt hat und den der Angreifer nie entschlüsselt. Der technische Bericht ging zwei Tage zuvor, am 5. November, unter den Namen Jonathan Bar Or und Geoff McDonald auf arXiv (arXiv:2511.03675). Über 28 kommerzielle Sprachmodelle hinweg berichten die Forscher von Themenklassifikatoren, die in den meisten Fällen über 98 % AUPRC erzielten, und bei einem simulierten Klassenungleichgewicht von 10.000 zu 1 erreichten 17 der 28 bei den im Paper berichteten niedrigen Recall-Werten eine Präzision von 100 %. An keiner Stelle des Datensatzes wird von einem Abfangen einer echten Konversation berichtet: Das Archiv führt diesen Eintrag als mittelschwer mit Konfidenzgrad A, ohne Kontroverse darüber und ohne dokumentierten realen Schaden. Der Datensatz selbst – sein Schweregrad, seine Quellenliste und seine Konfidenzbewertung – ist in dem AI Incident Archive abgelegt, zusammen mit den anderen Einträgen zu Netzwerkschicht und Datenschutz in derselben Sammlung.
Warum ein Geheimtext noch eine Form hat
Microsofts Ausführungen erläutern den Mechanismus in der Sprache des Chiffrendesigns. TLS baut seine Sitzung auf symmetrischen Chiffren auf, und die beiden Familien verhalten sich an der Grenze unterschiedlich: Eine Blockchiffre wie AES in einem Blockmodus gibt immer ein Vielfaches der Blockgröße aus, während eine Stromchiffre wie ChaCha20 oder AES-GCM jede beliebige Datenlänge akzeptiert. Ohne Komprimierung, so heißt es im Blog, ist der Chiffretext der Klartext plus eine Konstante, sodass die Größe jedes verschlüsselten Blocks weiterhin der Größe dessen folgt, was in ihn hineingegangen ist. Sprachmodelle erzeugen jeweils ein Token und streamen diese Token zum Client, sobald sie erzeugt werden, wodurch eine Antwort zu einer Folge von Netzwerkereignissen wird, deren Längen den Längen der Token folgen und deren Abstände davon abhängen, wie schnell das Modell sie erzeugt. Ein Beobachter, der nur zuschauen kann — der Blog nennt einen staatlichen Akteur auf der Ebene des Internetdienstanbieters, jemanden im lokalen Netzwerk oder jemanden, der denselben Wi-Fi-Router nutzt —, zeichnet diese Folge auf und erfährt etwas über die Antwort, ohne die Verschlüsselung anzutasten.
Die Arbeit stellt ausdrücklich klar, dass dies kein Bruch von TLS ist. Die Verschlüsselung tut genau das, wofür sie entworfen wurde; was leckt, sind Metadaten, die zu verbergen TLS nie gedacht war. Die Autoren ordnen die Arbeit auch in eine Reihe früherer Befunde ein: Token-Längen-Rekonstruktion von Weiss und Kollegen im Jahr 2024, Timing-Angriffe auf spekulatives Decoding von Carlini und Nasr, von Zhang, Saileshwar und Lie untersuchtes Leck der Anzahl der Ausgabe-Token und Timing-Arbeiten zum Cache-Sharing von Zheng und Kollegen. Whisper Leaks Beitrag ist enger und praktischer als jeder davon: nicht die Antwort zu rekonstruieren, sondern zu entscheiden, ob die Frage zu einer ausgewählten Kategorie gehörte.

Wie das Experiment aufgebaut wurde
Das Zielthema war die Legalität von Geldwäsche. Die Forscher erzeugten 100 semantisch ähnliche Varianten von Fragen dazu, behielten 20 für Tests zurück und trainierten mit den anderen 80 und mischten sie mit 11.716 nicht verwandten Fragen aus dem Quora Questions Pair dataset. Der Datenverkehr wurde pro Modell mit tcpdump erfasst, wobei positive und negative Proben in gemischter Reihenfolge gesammelt und zusätzliche Leerzeichen zwischen Wörtern eingefügt wurden, um zu vermeiden, dass Prompt-Caching die Ergebnisse verfälscht; die Generierung lief bei Temperatur 1,0. Drei Klassifikatorfamilien wurden auf den resultierenden Sequenzen trainiert – LightGBM, ein bidirektionales LSTM und ein DistilBERT-Modell, das so angepasst wurde, dass Größen- und Zeit-Buckets als Tokens behandelt werden – und jede wurde nur mit Größenmerkmalen, nur mit Timing-Merkmalen und mit beiden zusammen getestet.
Die Leistung wurde als Fläche unter der Precision-Recall-Kurve bewertet – eine Entscheidung, die das Paper damit begründet, dass das realistische Problem stark unausgewogen ist: Ein Beobachter, der eine große Menge gewöhnlichen Datenverkehrs auf eine sehr kleine Anzahl interessanter Gespräche hin beobachtet, sollte an der Precision gemessen werden, nicht an der rohen Genauigkeit.
Die Zahlen und um welche Art von Zahlen es sich handelt
Siebzehn der 28 Modelle überschritten 98 % AUPRC, mehrere lagen bei oder über 99,9 %, und allein die Paketgröße reichte in den meisten Fällen für starke Ergebnisse aus. An der Spitze der Tabelle stehen Mistral Large mit 100,0 %, das von Microsoft gehostete DeepSeek-R1 mit 99,9 %, xAIs Grok 3 Mini Beta mit 99,9 % und OpenAIs GPT-4o mini mit 98,6 %. Am unteren Ende steht keine Immunität, sondern Abstand: Microsofts eigenes Phi-3.5-mini-MoE instruct erreichte 76,9 %, Amazon Nova Lite 71,2 %, Amazon Nova Pro 77,5 %, die Gemini-1.5- und -2.5-Varianten zwischen 81,9 % und 84,0 % und Anthropics Claude 3 Haiku 91,2 %.

Die Widerstandsfähigkeit am unteren Ende hat eine Erklärung, die die Autoren anbieten und nicht beweisen. Mehrere Tokens in ein einziges Netzwerkereignis zu bündeln, zerstört die Feinstruktur, von der ein Klassifikator zehrt, und die Modelle, die am stärksten bündelten, schnitten im Angriff am schlechtesten ab – Gemini 2.5 Pro bei ungefähr 17,7 Tokens pro Ereignis, Gemini 1.5 Flash bei ungefähr 55,3. Das Papier sagt, es sei wahrscheinlich, dass diese Anbieter aus Effizienzgründen beim Serving und wegen der Aktualisierungsraten der Benutzeroberfläche bündeln und nicht zur Verteidigung gegen Seitenkanäle, und dass Bündelung allein noch immer unzureichend ist: Dieselben Modelle behielten ein erhebliches Risiko bei der 10.000-zu-1-Projektion. Es gibt außerdem eine Lücke, die das Papier nicht erklärt. Dasselbe Modell, von zwei Stellen bereitgestellt, erzielte unterschiedliche Werte – GPT-4o mini über OpenAI bei 98,6 % und über Microsoft bei 93,4 %, GPT-4o über Microsoft bei 90,1 % –, was auf den Serving-Stack und nicht auf die Gewichte hindeutet, doch das Papier nennt keine Ursache.
Die 10.000-zu-1-Zahl ist diejenige, die am ehesten falsch gelesen wird. Sie ist eine Projektion der Leistung auf dem Testset auf einen imaginären Strom von 10.000 Gesprächen, von denen eines das Zielthema betrifft, keine Messung des Live-Verkehrs. Ihr zufolge erreichen 17 der 28 Modelle irgendwo zwischen 5 % und 20 % Recall eine Präzision von 100 %, was bedeutet, dass der Klassifikator, wenn er eine Markierung setzte, richtig lag – auf Kosten davon, die meisten Ziele zu verpassen. Wie viel er erfasst, wird in den beiden primären Dokumenten unterschiedlich angegeben: Das arXiv-Abstract sagt, die Autoren gewinnen 5–20 % der Zielgespräche bei 100 % Präzision zurück, während der Microsoft-Blog 5–50 % sagt. Beides sind Extrapolationen, und beide Dokumente sagen das auch.
Was die Anbieter geändert haben
Die Offenlegung begann im Juni 2025, als die Forschenden 28 Anbieter von Sprachmodellen benachrichtigten, mit technischen Beschreibungen und Proof-of-Concept-Demonstrationen auf Anfrage. Bis zur Veröffentlichung hatten vier etwas ausgeliefert. OpenAI fügte zu gestreamten Antworten ein Verschleierungsfeld hinzu – eine Zeichenkette zufälliger Länge, die an jede Antwort angehängt wird, sodass die Token-Länge nicht mehr auf die Paketlänge abbildet – und Microsoft Azure übernahm dies; im Blog heißt es, Microsoft habe verifiziert, dass die Azure-Version die Angriffswirksamkeit „auf ein Niveau reduziert, das wir nicht mehr als praktisches Risiko betrachten“. Mistral fügte einen Parameter namens p mit ähnlicher Maskierungswirkung hinzu. xAI wird dafür anerkannt, Schutzmaßnahmen eingeführt zu haben, ohne öffentlich zu beschreiben, was geändert wurde. Das Paper ergänzt den Teil, den der Blog nicht enthält: OpenAI und xAI sind mit einer Behebung im August 2025 verzeichnet, Mistral im September und Microsoft im Oktober, nachdem das Risiko als moderat eingeschätzt wurde, während andere Anbieter es ablehnten, Korrekturen umzusetzen, und mehrere nicht auf wiederholte Nachfragen reagierten. Das Paper merkt außerdem an, dass alle Ergebnisse erhoben wurden, bevor irgendeine Anbieter-Korrektur ausgeliefert wurde, und dass die Veröffentlichung bis November zurückgehalten wurde, um bereitwilligen Anbietern Zeit für die Einführung zu geben.
Die Forscher testeten die Abwehrmaßnahmen zudem selbst an einem Modell, das sowohl hochgradig anfällig als auch nur schwer abzuschwächen war. Zufälliges Auffüllen senkte den AUPRC von 97,5 % auf 92,9 %, das Bündeln von fünf Tokens pro Ereignis senkte ihn von 98,2 % auf 94,8 %, und injizierte Rauschpakete senkten ihn von 98,1 % auf 93,3 % – Rückgänge um 3,5 bis 4,8 Prozentpunkte, wobei die Paketinjektion zwei- bis dreimal so viel Bandbreite kostet. Keine der drei Maßnahmen beseitigt den Kanal, weshalb die eingesetzten Korrekturen als Abschwächung und nicht als Reparatur beschrieben werden.

Was gilt als gesichert und was nicht
Belegt und für jeden nachprüfbar: Das Paper und sein Code zur Datenerhebung sind öffentlich, der Mechanismus ergibt sich aus dokumentiertem Cipher- und Streaming-Verhalten, und die Gegenmaßnahmen der vier genannten Anbieter existieren in deren eigenen APIs – ein Obfuskierungsfeld, ein Parameter namens p. Die Untermauerung des Befunds selbst ist dünner, als der Umfang der Berichterstattung vermuten lässt. The Hacker News, SecurityWeek, Security Affairs und Tech Xplore berichteten alle zwischen dem 8. und 11. November 2025 darüber, und jeder Bericht, den ich vollständig gelesen habe, beschreibt das Experiment desselben Microsoft-Teams aus demselben Preprint erneut, statt es zu reproduzieren; dasselbe gilt für die weitere Berichterstattung jenes Tages von SC Media, Cybernews, TechRadar, CSO, iTnews und CX Today, die ich gesehen, aber nicht vollständig gelesen habe. Ich habe keine veröffentlichte unabhängige Reproduktion des Angriffs gefunden; das begrenzt, was die Berichterstattung hinzufügt, widerspricht ihr aber nicht.
Nicht belegt: dass irgendjemand dies gegen ein reales Gespräch eingesetzt hat. Es gibt kein Opfer, keine Organisation, kein Land und keine Anzahl – weder in den Primärdokumenten noch in der für diesen Artikel geprüften Berichterstattung –, und der Archivdatensatz enthält keinen dokumentierten realen Schaden, was mit den Quellen vereinbar ist und keine Lücke in ihnen darstellt. Ebenso nicht belegt: wie gut der Angriff realen Netzwerkbedingungen standhält, da jede Zahl aus einer kontrollierten Aufzeichnung zu einem einzigen Thema stammt; ob sich Mehrfachdialoge so verhalten, wie die Autoren erwarten, was sie als ungetestet kennzeichnen; und wie sich der Datenverkehr der nicht antwortenden Anbieter heute verhält, da seit November 2025 nichts Veröffentlichtes aussagt, ob sie ihre Meinung geändert haben.
Ein Zitationsdetail sollte klar benannt werden. Die Quelle des Archivdatensatzes selbst ist der Index der KI-Sicherheitsbulletins der Japan Information-technology Promotion Agency, ein kontinuierlich aktualisierter japanischer Digest, der öffentliche Berichterstattung zusammenfasst und einen ständigen Haftungsausschluss trägt, wonach keine Gewähr für die Richtigkeit des Zusammengefassten übernommen wird. Die Dezember-2025-Ausgabe dieses Bulletins, die ich heruntergeladen und vollständig gelesen habe, enthält keinen Eintrag zu Whisper Leak; ihre acht Zusammenfassungsthemen sind Anthropics GTG-1002-Agentenbericht, indirekte Prompt-Injection gegen Agenten, Angriffe auf KI-gestützte Entwicklung, MCP-Schwachstellen, Schwachstellen in KI-Systemen, Zuverlässigkeitsausfälle von KI, fahrlässige KI-Nutzung und KI für Sicherheit. Die substanzielle Dokumentation hinter diesem Datensatz sind daher Microsofts Blogbeitrag vom 7. November und arXiv:2511.03675, beide für diesen Artikel vollständig gelesen, und der fehlende Bulletin-Eintrag ist eine Tatsache über die Zitierung des Datensatzes und kein Zweifel am Befund.
Was ein Leser dagegen noch tun kann
Microsofts eigener Rat ist kurz und gibt nicht vor, das Problem zu beheben: Vermeiden Sie es, überaus sensible Themen mit einem Chatbot zu besprechen, während Sie sich in einem nicht vertrauenswürdigen Netzwerk befinden, nutzen Sie ein VPN als zusätzliche Schutzschicht auf dem Übertragungsweg, bevorzugen Sie Anbieter, die Gegenmaßnahmen implementiert haben, und nutzen Sie Nicht-Streaming-Modi, wo ein Anbieter einen solchen anbietet, da Streaming der Mechanismus ist. Der darunterliegende strukturelle Punkt ist, dass die Exposition hier eine Eigenschaft des Serving-Stacks des Anbieters ist, nicht der Einstellungen des Nutzers – zwei Dienste, die dieselben Gewichte ausführen, können je nachdem, wie sie Batches bilden und was sie an einen Stream anhängen, an entgegengesetzten Enden der obigen Tabelle stehen.
Für Anbieter ist die eigene Schlussfolgerung der Forscher die unbequeme: Jede von ihnen getestete Verteidigung tauscht etwas Streaming-Leistung oder Bandbreite gegen eine teilweise Verringerung eines Kanals ein, der nur deshalb existiert, weil Antworten Token für Token erzeugt und ausgeliefert werden. Whisper Leak hat keinen Patch in dem Sinne, wie ein Speichersicherheitsfehler einen hat. Es hat eine Reihe von Serving-Entscheidungen und eine Messung dessen, wie viel jede davon bringt.
